1

C Ca ap p t tu ul lo o 1 1
I In nt tr ro od du u o o
busca por sistemas artificiais que apresentam algum tipo de comportamento
inteligente, similar ao exibido por muitos sistemas biolgicos (incluindo seres
humanos), sempre fascinou muitos cientistas. Os sistemas biolgicos so resultado
de um longo processo de evoluo natural, e apresentam caractersticas como adaptabilidade,
tolerncia a falhas e robustez a variaes ambientais. Tais caractersticas so bastante
desejveis em sistemas de engenharia, levando diversos pesquisadores a propor estratgias
que procuram emular alguns dos aspectos observados em sistemas biolgicos naturais. Dentre
as reas de pesquisa que procuram por sistemas artificiais inteligentes, uma das mais
promissoras a chamada inteligncia computacional.
A inteligncia computacional compreende paradigmas computacionais que procuram
desenvolver sistemas que apresentam alguma forma de inteligncia similar exibida por
determinados sistemas biolgicos. Alguns dos paradigmas que compem a inteligncia
computacional foram de fato inspirados em sistemas biolgicos (como as redes neurais
artificiais e a computao evolutiva), enquanto que outros, apesar de no terem inspirao
biolgica, tentam gerar sistemas que produzam algum tipo de comportamento prximo ao
observado em sistemas naturais (como por exemplo, o raciocnio aproximado dos sistemas
fuzzy).
Mtodos baseados nestes paradigmas invariavelmente demandam uma quantidade
grande de recursos computacionais, seja no desenvolvimento ou no uso das ferramentas de
soluo. Entretanto, nos ltimos anos, temos observado um desenvolvimento estrondoso da
tecnologia de microprocessadores e memria e, como conseqncia, temos nossa disposio
cada vez mais recursos computacionais a baixo custo. Este fato tem levado a um interesse
crescente da comunidade cientfica nos mtodos baseados em inteligncia computacional.
A
2
Mtodos que, at algum tempo atrs, seriam considerados infactveis do ponto de vista
computacional, puderam ser efetivamente implementados e testados. Como a tecnologia dos
computadores continua a se desenvolver rapidamente, temos cada vez mais recursos
computacionais disposio e, como conseqncia, podemos esperar grandes
desenvolvimentos na rea de inteligncia computacional.
1.1 Inteligncia Computacional
BEZDEK (1994) sugere que um sistema computacionalmente inteligente quando:
trabalha apenas com dados numricos (baixo nvel), tem um componente de reconhecimento
de padres, e no usa conhecimento no sentido da inteligncia artificial clssica
(conhecimento simblico, no-numrico); e, adicionalmente, quando ele exibe (ou comea a
exibir):
1. adaptabilidade computacional;
2. tolerncia computacional a falhas;
3. velocidade de processamento comparvel de processos cognitivos humanos;
4. taxas de erro que se aproximam do desempenho humano.
A rea de inteligncia computacional engloba diversos paradigmas computacionais
diferentes. Os principais paradigmas da inteligncia computacional so:
Redes Neurais Artificiais: sistemas de processamento de informao formados pela
interconexo macia entre unidades simples de processamento, denominadas neurnios
artificiais. Os neurnios artificiais recebem essa denominao porque foram originados a
partir de um modelo matemtico de um neurnio biolgico. Vrias arquiteturas de redes
neurais j foram propostas na literatura, sendo a arquitetura multicamadas a mais popular.
As mais atraentes propriedades destas arquiteturas so a sua capacidade de aproximao
universal e de aprendizado a partir de exemplos.
Sistemas Fuzzy: os sistemas fuzzy so baseados no conceito de conjunto fuzzy. Os
conjuntos fuzzy surgiram como uma nova forma de representao de conceitos como
impreciso e incerteza. Os conjuntos fuzzy so especialmente adequados na descrio de
sistemas de processamento de informao complexos, no-lineares ou no claramente
definidos. Observe que, alm de trabalhar com dados numricos, os sistemas fuzzy
3
tambm so capazes de realizar processamento simblico, atravs de uma base de regras
fuzzy.
Computao Evolutiva: a computao evolutiva formada por algoritmos inspirados na
teoria da evoluo natural de Darwin. A computao evolutiva tem sido muito aplicada
em problemas de otimizao, em especial naqueles em que tcnicas tradicionais de
otimizao no so aplicveis (ou apresentam desempenho insatisfatrio).
O interesse na busca por sistemas computacionais que explorem possveis
combinaes entre os paradigmas acima tm crescido de forma expressiva nos ltimos
tempos. Diversos pesquisadores tm constatado que as tcnicas acima so, em muitos
aspectos, complementares. Assim, muitas pesquisas tm sido realizadas no sentido de
investigar possveis formas de cooperao entre estes mtodos, e mesmo entre mtodos de
inteligncia computacional e mtodos tradicionais de engenharia. O principal objetivo dessas
pesquisas desenvolver sistemas que sejam eficientes, robustos, fceis de operar, e capazes
de fornecer solues de qualidade para problemas complexos.
importante notar tambm que os paradigmas acima citados (especialmente sistemas
fuzzy e redes neurais artificiais) tm sido empregados com sucesso em diversas aplicaes
prticas, algumas disponveis comercialmente, principalmente em aplicaes de eletrnica de
consumo e automao industrial. Tem-se observado, na prtica, que tais sistemas de fato
apresentam desempenho extraordinrio, que no poderia ser obtido se apenas tcnicas
convencionais de engenharia fossem empregadas (HIROTA & SUGENO, 1995; SIMPSON, 1996).
Nesta tese, procuramos investigar algumas possveis interaes entre os paradigmas da
inteligncia computacional. Foram estudadas redes neurais construtivas, e o desempenho de
alguns algoritmos construtivos foram comparados. Redes neurais evolutivas foram
investigadas, e so apresentados resultados de simulaes computacionais comparando o
desempenho entre algoritmos genticos e um mtodo de segunda ordem no treinamento de
redes neurais artificiais. Alm disso, foram desenvolvidas duas arquiteturas baseadas em
inteligncia computacional: uma rede neural hbrida e uma rede neurofuzzy heterognea.
Estas arquiteturas correspondem a extenses de arquiteturas j propostas anteriormente.
Nosso principal objetivo ao propor estas arquiteturas foi o de gerar sistemas mais adaptados,
dedicados a um problema particular. Um sistema dedicado a um determinado problema pode
4
apresentar diversas vantagens em relao a modelos mais genricos, como por exemplo maior
robustez e uso mais eficaz dos recursos computacionais disponveis.
1.2 Organizao da Tese
O Captulo 2 apresenta uma introduo s redes neurais artificiais multicamadas. So
apresentados conceitos bsicos relacionados s redes neurais multicamadas que sero
importantes em captulos subseqentes. O algoritmo de retropropagao do erro, usado no
processo de treinamento de redes neurais multicamadas, apresentado em detalhes. Redes
neurais artificiais so apresentadas como modelos de aproximao de funes e o teorema da
aproximao universal introduzido.
No Captulo 3 so abordados os conceitos bsicos relacionados computao
evolutiva, em especial aos algoritmos genticos. So apresentados conceitos relativos
evoluo natural, que inspiraram o desenvolvimento de algoritmos computacionais
evolutivos. So apresentadas, em linhas gerais, as principais abordagens evolutivas j
propostas na literatura. O restante do captulo dedicado ao estudo dos algoritmos genticos,
e aos seus principais componentes: codificao de indivduos, operadores genticos
(crossover e mutao) e seleo de indivduos. Por fim, introduzida a teoria dos esquemas,
proposta para explicar o funcionamento de um algoritmo gentico.
As redes neurais construtivas so introduzidas no Captulo 4, e compreendem
algoritmos para definio automtica de redes neurais artificiais, que comeam com alguma
arquitetura mnima e vo acrescentando neurnios ou camadas de neurnios at que um
determinado nvel de erro seja atingido. So apresentados alguns conceitos bsicos a respeito
de redes neurais construtivas e so descritos trs algoritmos construtivos: o cascade-
correlation, o aprendizado por busca de projeo e o A*. So ento apresentados resultados
de simulaes computacionais envolvendo os trs algoritmos mencionados, a fim de
comparar o seu desempenho (em termos de arquitetura final obtida).
O Captulo 5 dedicado ao estudo das redes neurais evolutivas, que correspondem a
mtodos que combinam computao evolutiva e redes neurais artificiais. A computao
evolutiva pode ser empregada no treinamento ou na definio de arquiteturas de redes neurais
artificiais. apresentada uma reviso bibliogrfica de alguns dos principais mtodos j
5
propostos na literatura, relacionando computao evolutiva e redes neurais artificiais. So
apresentados resultados de simulaes computacionais comparando o desempenho de
algoritmos genticos e um mtodo de segunda ordem no treinamento de redes neurais
artificiais.
O Captulo 6 introduz as redes neurais hbridas, um modelo de rede neural artificial
mais genrico, que pode ser visto como uma extenso de modelos de aproximao por busca
de projeo. apresentada uma extenso do algoritmo de retropropagao, que permite
realizar o treinamento de redes neurais hbridas. Um algoritmo gentico proposto para
seleo adequada de funes de ativao e operadores para a rede neural hbrida. So
apresentadas diversas simulaes computacionais com o objetivo de testar as potencialidades
das redes neurais hbridas. Tambm so apresentados resultados comparando o desempenho
de redes neurais hbridas com o de outras arquiteturas.
Uma arquitetura neurofuzzy heterognea para classificao de padres apresentada
no Captulo 7. Esta arquitetura se distingue das arquiteturas neurofuzzy tradicionais pela
possibilidade do uso de pares de normas triangulares distintos em cada neurnio da rede. Um
algoritmo gentico utilizado para escolha de pares de normas triangulares para cada
neurnio da rede. So apresentados resultados de simulaes comparando o desempenho de
redes neurofuzzy heterogneas com o de outras arquiteturas em problemas de classificao de
padres.
6