Implementações do zero de algoritmos clássicos de Inteligência Artificial e Otimização, desenvolvidas como parte da disciplina de IA. Todos os algoritmos são escritos em Python puro, sem frameworks de ML.
ai-optimization-portfolio/
│
├── hill_climbing/
│ ├── hill_climbing.py # Subida de encosta com reinício aleatório
│ └── otimizacao_iluminacao.py # Hill climbing aplicado a cobertura de lâmpadas
│
├── simulated_annealing/
│ └── resfriamento_simulado.py # Resfriamento simulado (Simulated Annealing)
│
├── genetic_algorithm/
│ └── algoritmo_genetico.py # AG com elitismo para cobertura de cidades por antenas
│
└── neural_network/
└── perceptron.py # Perceptron de Rosenblatt com aprendizado online
Arquivo: hill_climbing/hill_climbing.py
Minimiza a soma das distâncias euclidianas de um ponto a 10 centros fixos. Para escapar de ótimos locais, reinicia o processo a partir de posições aleatórias e mantém o melhor resultado encontrado.
Conceitos: busca local, ótimo local vs. global, reinício aleatório.
Arquivo: hill_climbing/otimizacao_iluminacao.py
Minimiza o número de lâmpadas ligadas em um sistema com 100 lâmpadas e 400 casas, garantindo que toda casa seja iluminada por ao menos uma lâmpada. Problema de cobertura mínima de conjuntos resolvido via hill climbing.
Conceitos: problema de cobertura, restrições de viabilidade, busca local.
Arquivo: simulated_annealing/resfriamento_simulado.py
Variante do hill climbing que aceita soluções piores com probabilidade exp(ΔE/T), controlada por uma "temperatura" que diminui gradualmente. Inspirado no processo físico de têmpera de metais.
Conceitos: critério de Metropolis, schedule de resfriamento, exploração vs. aproveitamento.
| Parâmetro | Valor |
|---|---|
| T inicial | 1000 |
| T mínima | 0.0001 |
| Resfriamento (α) | 0.999 |
Arquivo: genetic_algorithm/algoritmo_genetico.py
Encontra as melhores posições para 10 antenas em um grid [0,1]² de forma a cobrir o maior número possível de 25 cidades dentro de um raio de 0.1 unidades.
Mecanismos implementados:
- Seleção por torneio
- Crossover uniforme
- Mutação por deslocamento
- Elitismo (preservação dos N melhores)
Conceitos: população, fitness, seleção, crossover, mutação, elitismo.
Arquivo: neural_network/perceptron.py
Implementação do Perceptron de Rosenblatt para classificação binária linear. Aprende a separar pontos pelo sinal da segunda coordenada usando aprendizado online com a regra delta.
Conceitos: neurônio artificial, função de ativação degrau, regra de aprendizado do Perceptron, convergência.
# Requer Python 3.10+
# Para visualizações (algoritmo genético):
pip install matplotlib
# Executar qualquer algoritmo:
python hill_climbing/hill_climbing.py
python simulated_annealing/resfriamento_simulado.py
python genetic_algorithm/algoritmo_genetico.py
python neural_network/perceptron.py
- Linguagem: Python 3.10+
- Bibliotecas:
math,random,matplotlib(apenas para gráficos) - Paradigma: Orientado a Objetos + Programação Funcional
- Russell, S. & Norvig, P. — Artificial Intelligence: A Modern Approach
- Kirkpatrick et al. (1983) — Optimization by Simulated Annealing
- Rosenblatt, F. (1958) — The Perceptron: A Probabilistic Model for Information Storage and Organization
Luis Fernando Alexandre dos Santos
Desenvolvido como parte da disciplina de Inteligência Artificial.
"Todos os modelos estão errados, mas alguns são úteis." — George Box