Inteligência Artificial Inspirada na Natureza

Conhecimentos de Base Recomendados

Introdução à Programação e Resolução de Problemas, Introdução à Inteligência Artificial, 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. Heurísticas Meta-Clássicas
a. Pesquisa Aleatória
b. Trepa Colinas
c. Recristalização Simulada
d. O Algoritmo Evolucionário Genérico
3. Algoritmos Genéticos
a. Binários
b. Baseados em Números Reais
c. Baseados em Permutações
4. Programação Genética
a. Baseada em Árvores
b. Baseada em Grafos
c. Linear
d. Baseada em Gramáticas
5. Estratégias Evolutivas
a. Clássicas
b. CMA-ES
c. Natural ES
6. Evolução Diferencial
7. Coevolução
a. Cooperação
b .Competição
8. Otimização Multiobjectivo
a MOEAs
9. Aprendizagem Automática Evolutiva
a. Computação Evolucionária como Aprendizagem Automática
b. Computação Evolucionária para Aprendizagem Automática
c. Neuroevolução
10. Inteligência Coletiva
a. Otimização por Colónia de Formigas
b. Otimização por Enxame de Partículas
11. Desenho de Experiências e Avaliação.

Docente(s) responsável(eis)

Nuno António Marques Lourenço

Métodos de Avaliação

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

Bibliografia

Handbook of Evolutionary Machine Learning. Wolfgang Banzhaf, Penousal Machado, and Mengjie Zhang,  Springer, 2023.

-Lectures on Intelligent Systems, Leonardo Vanneschi, Sara Silva, Springer, 2023

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

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

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

-Evolutionary Deep Learning: Genetic algorithms and neural networks, Micheal Kanham, Manning, 2023

-Genetic Algorithms and Machine Learning for Programmers: Create AI Models and Evolve Solutions, Frances Buontempo, Pragmatic Bookshelf, 2019.