Referências bibliográficas

Obter as regras de decisão associadas ao Exemplo 6.2, via software Rosetta.

 

Exercício 6.8

Obter as regras de decisão associadas ao Exemplo 6.3, com a ferramenta

Rosetta.

 

Exercício 6.9

Baseando-se na Listagem 6.1, associada à ferramenta de GA utilizada no

exemplo relativo a f(x) = x2, obter os valores ótimos da função de Rosenbrock:

 

Exercício 6.10

Baseado-se no programa de PSO listado no Anexo 6.3, utilizado no exemplo relativo a f(x) = x2, obter os valores ótimos da função de Rosenbrock:

 

Referências bibliográficas

1. BONABEAU E, DORIGO M, THERAULAZ G. Swarm Intelligence

Natural to Artificial Systems. Nova York: Oxford University Press; 1999.

2. CARVALHO, M. A. (2010). Discretização de atributos contínuos

em sistemas de informação utilizando algoritmos genéticos para a aplicação da Teoria de Conjuntos Aproximados. Dissertação de Mestrado, Universidade Federal de Itajubá. Disponível em:

http://juno.unifei.edu.br/bim/0037080.pdf.

3. DA COSTA NCA. Sistemas Formais Inconsistentes. Curitiba: Tese

(cátedra), Universidade do Paraná; 1963.

4. DA COSTA, N. C. A.; SUBRAHMANIAN, V. S.; VAGO, C. (1991).

The Paraconsistent Logic Pτ. Zeitschrift fur Mathematische Logik und Grundlagen der Mathematik, v.37, p. 139-48.

5. DA COSTA NCA, ABE JM, MUROLO AC. Lógica paraconsistente

aplicada. São Paulo: Atlas; 1999.

6. DASGUPTA D. Artificial Immune Systems and Their Applications.

Berlim: Springer Verlag; 1999.

7. DEMPSTER AP. Upper and lower probabilities induced by a

multivalued mapping. The Annals of Mathematical Statistics 1967.

8. EBERHART R, SHI Y, KENNEDY J. Swarm Intelligence. São

Francisco: Morgan Kaufmann; 2001.

9. FAUSTINO, C. P. (2011) Previsão de séries temporais via modelos

baseados em regras. Dissertação de Mestrado, Universidade Federal

de Itajubá. Disponível em: http://juno.unifei.edu.br/bim/0038068.pdf.

10. FAUSTINO C, PINHEIRO C, CARPINTEIRO O, LIMA I. Time

series forecasting through rule-based models obtained via rough sets. Artificial Intelligence Review. 2011;1:1–12.

11. Fogel DB. Evolutionary Computation: Toward a New Philosophy of

Machine Intelligence. Nova York: IEEE Press; 1995.

12. GUARACY, F. H. D. (2013). Contribuições a aplicações práticas de

sistemas de controle por modos deslizantes. Dissertação de Mestrado. Universidade Federal de Itajubá. Disponível em:

http://juno.unifei.edu.br/bim/0039492.pdf.

13. HOLLAND JH. Adaptation in natural and artificial systems. MIT

Press 1992.

14. HUANG B, GUO L, ZHOU X. Approximation Reduction Based on

Similarity Relation. EEE Fourth International Conference on Fuzzy Systems and Knowledge Discovery 2007:124–128.

15. HVIDSTEN, T. R. (1999). Fault Diagnosis in Rotating Machinery

Using Rough Set Theory and Rosetta. Research Report, Norwegian University of Science and Techonology.

citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.33.9525.

16. MACHADO K, PINHEIRO C. Rough Controllers With State

Feedback. Engineering Applications of Artificial Intelligence. 2013;26:2.467–2.479.

17. MITCHELL TM. Machine Learning. Nova York: MacGraw-Hill;

1997.

18. NGUYEN S, SKOWRON A. Quantization of real value attributes.

Proc of the Second Joint Annual Conference on Information Sciences 1995:37–40.

19. OHRN, A., KOMOROWSKI, J. (1997). Rosetta – a rough sets

toolkit for analyses of data. Third International Joint Conference on Information Sciences, p. 403-7. Disponível em:

http://www.lcb.uu.se/tools/rosetta/.

20. OLIVEIRA, R. H. (2013). Modelagem de Sistemas Mimo Baseada

em Conjuntos Aproximados. Tese de Doutorado. Universidade

Federal de Itajubá. Disponível em: www.unifei.edu.br/biblioteca.

21. PATRÍCIO, C. M. M. M.; PINTO, J. O. P.; SOUZA, C. C. (2005).

Rough Sets – Técnica de Redução de Atributos e Geração de Regras para Classificação de Dados. XXVIII Congresso Nacional de Matemática Aplicada e Computacional – CNMAC, São Paulo. Disponível em:

http://www.sbmac.org.br/eventos/cnmac/cd_xxviii_cnmac/resumos%

20estendidos/cristian_patricio_ST18.pdf.

22. PAWLAK Z. Rough Sets. International Journal of Computer and

Information Sciences 1982.

23. PAWLAK Z. Rough Sets: Theoretical aspects of reasoning about data

Londres, Netherlands: Kluwer Academic Publishers; 1991.

24. PAWLAK Z, SKOWRON A. Rudiments of Rough Sets. Information

Sciences. 2007a;117:3–27.

25. Rough sets: Some extensions. Information Sciences. 2007b;117:28–

40.

26. PILA, A. D. (2001). Seleção de Atributos Relevantes para

Aprendizado de Máquina Utilizando a Abordagem de Rough

Sets.. Dissertação de Mestrado. USP-São Carlos. Disponível em:

www.teses.usp.br/teses/disponiveis/55/55134/tde-13022002-153921/.

27. PINHEIRO, C.; GOMIDE F.; CARPINTEIRO, O.; LOPEZ, B.

(2010). Granular Synthesis of Rule-Based Models and Function Approximation using Rough Sets. Chapter in the book Novel Developments in Granular Computing, ed. JingTaoYao, Information Science Publishing.

28. PINHEIRO, C.; CAMATTA, U.; REZEK, A. (2012). Rough

Controller Synthesis. Chapter in the book Fuzzy Logic: Controls, Concepts, Theories and Applications, ed. Elmer P. Dadios, INTECH.

29. QUAN XL, BIAO MH. Self-Adaptive Ant Colony Algorithm for

Attributes Reduction. IEEE International Conference on Granular Computing 2008:686–689.

30. RISVIK, K. M. (1999). Discretization of Numeric Attributes.

Research Report, Norwegian University of Science and Techonology. Disponível em: citeseerx.ist.psu.edu/viewdoc/download?

doi=10.1.1.47.3158&rep=rep1&type=pdf.

31. RODOR, F. F. (2012). Aplicação de Conceitos de Conjuntos

Aproximados na Adaptação da Constante de Filtro de Controladores IMC. Dissertação de Mestrado, Universidade Federal

de Itajubá. http://juno.unifei.edu.br/bim/0039510.pdf.

32. SHAFER G. A Mathematical Theory of Evidence. Princeton

University Press 1976.

33. SHEN Q, CHOUCHOULAS A. Rough Set-Based Dimensionality

Reduction for Supervised and Unsupervised Learning. Int J Appl Math Comput Sci. 2001.

34. SIENKIEWICZ, J. (1995). Rough Sets for Boolean Functions

Minimization. Research Report, Warsaw Institute of Technology. Disponível em: citeseerx.ist.psu.edu/viewdoc/download? doi=10.1.1.56.5052.

35. ZADEH LA. Outline of a New Approach To the Analysis of Complex

Systems And Decision Processes. IEEE Trans on Systems, Man and Cybernetics. 1973;3:28–44.

Anexo 6.1

 

Resolução do Exemplo 6.1 com a ferramenta Rosetta Os dados do problema devem estar associados a arquivos ou planilhas correspondentes. Por exemplo, um arquivo tipo texto (.txt). A planilha exemplificada abaixo ilustra a representação do arquivo de dados do SI em questão, com as variáveis do sistema declaradas como string neste exemplo. Outros tipos de variáveis do aplicativo são integer e float.

 

Executando o software tem-se a tela principal do aplicativo, como

ilustrado abaixo.

Na opção “File => New” carrega-se a planilha do sistema de informação

em questão, onde aparece a janela abaixo, e seleciona-se a opção “Plain format”.

Para visualizar o arquivo com os dados carregados do SI, basta selecionar

a opção “View”, como ilustrado na janela a seguir.

 

Se fosse necessário “discretizar” os dados do SI (não é o caso deste

exemplo), os procedimentos estão ilustrados nas duas telas a seguir.

A próxima etapa consiste na obtenção dos redutos, que pode ser realizada

conforme ilustrado na tela abaixo.

Os redutos obtidos {MBA, GRAD} e {MBA, EXP} podem ser

visualizados na aba “R” com a opção “View”. As regras de decisão podem ser geradas na forma ilustrada na janela a seguir.

As regras geradas podem ser visualizadas na aba “R”, em cor amarela,

conforme ilustrada na janela abaixo.

A listagem a seguir exemplifica as regras de decisão obtidas pelo

aplicativo. O termo IF das regras está implícito, o símbolo “=” é representado por “( )” e “= >” representa o termo THEN na representação

das regras.

 

As informações contidas nas colunas à direita da listagem são as

seguintes: as informações “LHS Support”, “RHS Accuracy” e “LHS Coverage” são medidas referentes às regras de decisão no formato α → β; LHS Support indica o número de regras que possuem as propriedades α e β; RHS Accuracy relaciona o quão fidedigna é a regra de decisão β em base da evidência α; LHS Coverage mede quão bem a evidência α descreve a decisão referente à β; geralmente, quanto maior a quantidade de antecedentes das regras, menor o índice LHS Coverage e maior a medida RHS Accuracy; em geral as regras de maior importância são as que apresentam maiores valores de suporte e de precisão (accuracy).

 

Anexo 6.2(a)

Resolução do Exemplo 6.4 com a ferramenta Rosetta Os dados do problema devem estar associados a arquivos ou planilhas correspondentes. Por exemplo, um arquivo tipo texto (.txt) com as variáveis do sistema declaradas como float neste modelo. A planilha abaixo ilustra os dados do exemplo.

Na utilização do aplicativo são empregados os mesmos procedimentos (e

as mesmas janelas e notações) exemplificados no Anexo 6.1. No processo de discretização foi utilizada a opção Equal frequency binning, conforme ilustrado nas figuras seguintes.

Na tela anterior (na aba Advanced parameters) foram selecionados três

(3) níveis de discretização para o problema em questão.

A figura a seguir ilustra a janela de visualização das regras de decisão

geradas, onde o símbolo “*” nos intervalos “[ )” da variável x denota os extremos dos valores dessa Neste exemplo os dados são 0 e 10, respectivamente.

 

Anexo 6.2(b)

Programa de simulação referente ao Exemplo 6.4

Anexo 6.3

Programa de algoritmo básico de PSO

OceanofPDF.com