|
|
Alguns
Projetos:
Estudo de
Estratégias de Geração de Dados de Teste
Descrição: Realizar
diversos experimentos com os critérios de teste existentes e propor estratégias
de geração de dados de teste e aplicação desses mesmos critérios..
Situação:
Concluído; Natureza: Pesquisa.
Integrantes: M.
Jino - Integrante / Leticia M. Peres - Integrante / Silvia Regina Vergilio
- Coordenador.
Finaciador(es):
Fundação Universidade do Paraná - Auxílio financeiro.
ValiPVM
Descrição: Objetivo: A proposição de
critérios de teste, desenvolvimento de ferramentas e condução de
experimentos para aplicações paralelas, desenvolvidas em ambientes de passagem
de mensagens (PVM e MPI). .
Situação: Em
andamento; Natureza: Pesquisa.
Integrantes: S. R.
S. Souza - Coordenador / Alexandre Ceolin Hausen - Integrante / Thiago
Biscosque Goncalves - Integrante / Silvia Regina Vergilio - Integrante.
Finaciador(es):
Universidade Estadual de Ponta Grossa - Cooperação / Conselho Nacional de
Desenvolvimento Científico e Tecnológico - Auxílio financeiro /
Universidade de São Paulo - Cooperação..
Otimização por Nuvem de
Partículas e Mineração de Dados.
O termo “Vida Artificial” é usado para descrever pesquisas/técnicas em
sistemas que possuem algumas propriedades análogas as da vida real, dentre
as quais destaca-se a "Otimização por Nuvem de Partículas" (ONP).
A ONP é uma técnica baseada em população de indivíduos (soluções),
desenvolvida por James Kennedy e Russell Eberhart, em (1995) através da
observação do comportamento de pássaros em revoadas, modelado pelo biólogo
Frank Heppner. A ONP tem sido aplicada com sucesso em muitas áreas de
otimização como, por exemplo: de funções; no treinamento em redes neurais
artificiais; no controle de sistemas nebulosos; dentre outros.
Por outro lado, atualmente está-se enfrentando um novo paradoxo, o acúmulo
de dados /informações nas organizações. A necessidade de automatizar o
processo de extração de conhecimento a partir destes dados, torna-se um
procedimento cada vez mais importante. A idéia subjacente em Mineração de
Dados (Data Mining), Freitas, 2000, é a busca e identificação de padrões em
dados, para a sua utilização, a posteriori, na tomada de decisões.
Neste contexto, este projeto tem como foco o estudo e desenvolvimento de
algoritmos baseados na técnica de ONP, abordando tanto pesquisas básicas
quanto aspectos práticos e aplicações a problemas reais. A pesquisa básica
tem como enfoque temas que atualmente representam desafios, tais como sua
adaptação a problemas Multiobjetivos./Multicritério. O trabalho também dá
ênfase a aplicação de ONP à Mineração de Dados, com objetivo de propor
novas abordagens para a realização dessa atividade. O problema de
identificação de padrões em dados é um problema de otimização
Multicritério, pois se por um lado deseja-se obter padrões precisos, por
outro lado, tais padrões devem ser genéricos.
Computação
Evolutiva: Pesquisa Básica e suas Aplicações.
A Computação Evolucionária é uma área que abrange
métodos computacionais inspirados na Teoria da Evolução das Espécies,
essencialmente no conceito de Seleção Natural. Nos sistemas inspirados por
este paradigma, as possíveis soluções para o problema são representadas
sobre a forma de indivíduos de uma população. Estes indivíduos evoluem de
acordo com regras de seleção e operadores genéticos. Este
projeto tem como foco duas sub-áreas da Computação Evolucionária (CE),
Programação Genética (PG) e Algoritmos Genéticos (AG), abordando tanto
pesquisas básicas quanto aspectos práticos e aplicações. A pesquisa básica
tem como enfoque temas que atualmente representam desafio, tais como
adaptação automática de parâmetros, utilização de gramáticas, etc. O
trabalho também dá ênfase em aplicações de PG e AGs na área de Engenharia e
em Mineração de Dados, com objetivo de propor novas abordagens para a
realização dessas atividades. Sua execução compreende um
conjunto de fases genéricas tais como revisão de trabalhos da literatura,
projeto, implementação e avaliação das ferramentas/algoritmos e
documentação. Basicamente as contribuições de cada uma dessas fases podem
ser caracterizadas em três direções principais: estudos teóricos, estudos
empíricos e implementação de ferramentas. Além disso, a pesquisa realizada
e resultados obtidos podem ser diretamente aplicados em empresas
facilitando a cooperação do grupo com as mesmas. O projeto também permitirá
a interação e participação de alunos de pos-graduação e graduação além de
ser tema de cursos ministrados em ambos os níveis.
Boosting
e Teoria da Informação em Estratégia Evolucionária para a Indução de
Classificadores
É incontestável o crescimento no volume de
informações em todas as áreas de conhecimento e a utilização de ferramentas
que auxiliem na análise das informações. Tais ferramentas surgem de áreas
como mineração de dados (Data Mining) e aprendizado de máquina (Machine
Learning). Embora a pesquisa nestas áreas tenha se intensificado, existe muito
a se desenvolver. O objetivo deste projeto é contribuir com a descoberta de
leis empíricas a partir dos exemplos e de conhecimento do domínio. O
projeto situa-se no domínio de mineração de dados e aprendizado de máquina.
Mais especificamente, o objetivo do trabalho é a utilização e o
desenvolvimento de métodos de aprendizado de máquina e de otimização por
algoritmos de evolução para a tarefa de mineração de dados chamada
classificação.
Um algoritmo evolutivo
baseado no aprendizado em ambientes dinâmicos:
Algoritmos de Computação Evolutiva (CE) têm sido aplicados com
sucesso a problemas de busca e otimização das diversas áreas de aplicação e
com diversos níveis de dificuldade. Pesquisas atuais focam na obtenção de
algoritmos que sejam considerados competentes, no sentido de serem capazes
de resolver problemas difíceis. Estes algoritmos são capazes de manter um
nível adequado de diversidade na população, além de aprender sobre a
estrutura do problema ao qual são aplicados, capturando interações importantes
e mantendo-as ao longo do processo evolutivo. Para capturar estas
informações sobre o problema e assim guiar o processo evolutivo, cada
algoritmo adota um mecanismo de aprendizado; podemos citar o aprendizado de
redes bayesianas, a indução de classificadores e o aprendizado de regras
simbólicas como sendo os mecanismos adotados por algoritmos de CE.
Entretanto, o custo computacional do processo de aprendizado escolhido é um
fator limitante de alguns algoritmos, já que esta etapa é repetida a cada
nova geração. Por outro lado, outros algoritmos são mais baratos
computacionalmente, mas apresentam menor capacidade de prospecção do espaço
de busca, exigindo a adoção de estratégias híbridas. Estes fatores
evidenciam que ainda existe espaço para novas propostas em Computação
Evolutiva. Neste projeto, propomos uma nova abordagem para a CE, em torno
da hipótese de que o processo evolutivo seja considerado como um ambiente
dinâmico, não-estacionário, e a Computação Evolutiva deva,
conseqüentemente, ser guiada por técnicas reconhecidamente adequadas ao
aprendizado em ambientes dinâmicos, tais como o aprendizado incremental e
os ensembles de classificadores. Para realizar o trabalho proposto serão
realizados os seguintes passos: levantamento do estado da arte das áreas de
CE e de aprendizado em ambientes dinâmicos, escolha de técnicas de
aprendizado incremental e ensembles e adequá-las ao problema,
desenvolvimento e implementação do novo algoritmo e realização de
experimentos e estudos teóricos. Os resultados obtidos devem contribuir
para o estado da arte na área de CE.
Colaboração no Projeto eeXML - Evolução de
Esquemas XML.
Projeto
financiado pelo CNPq (506548/2004-0). Vigente 2004-2005. O objetivo é
a definição de uma ferramenta para a evolução incremental de esquemas XML,
a ser utilizada por um administrador de dados que é especialista no domínio
de aplicação dos documentos e esquemas, mas que não é necessariamente
especialista em computação. Dado um esquema (expresso na forma de uma DTD,
por exemplo), e uma seqüência de atualizações a um documento válido em
relação a esse esquema, de forma tal que o resultado dessa atualização é um
documento XML que não é válido, essa ferramenta deve propor mudanças ao
esquema, de forma a
(i)
preservar a validade de documentos em relação ao esquema original e (ii)
verificar a validade do documento atualizado.
|
