Modelagem e Simulação - Banco de Dados
O objetivo do banco de dados em Modelagem e Simulação é fornecer representação de dados e seu relacionamento para fins de análise e teste. O primeiro modelo de dados foi introduzido em 1980 por Edgar Codd. A seguir estão as características salientes do modelo.
Banco de dados é a coleção de diferentes objetos de dados que definem as informações e seus relacionamentos.
As regras são para definir as restrições de dados nos objetos.
As operações podem ser aplicadas a objetos para recuperar informações.
Inicialmente, a Modelagem de Dados foi baseada no conceito de entidades e relacionamentos nos quais as entidades são tipos de informações de dados e os relacionamentos representam as associações entre as entidades.
O conceito mais recente para modelagem de dados é o projeto orientado a objetos, no qual as entidades são representadas como classes, que são usadas como modelos na programação de computadores. Uma classe com seu nome, atributos, restrições e relacionamentos com objetos de outras classes.
Sua representação básica se parece com -
Representação de dados
Representação de dados para eventos
Um evento de simulação possui seus atributos, como o nome do evento e suas informações de tempo associadas. Ele representa a execução de uma simulação fornecida usando um conjunto de dados de entrada associados ao parâmetro do arquivo de entrada e fornece seu resultado como um conjunto de dados de saída, armazenados em vários arquivos associados a arquivos de dados.
Representação de dados para arquivos de entrada
Cada processo de simulação requer um conjunto diferente de dados de entrada e seus valores de parâmetro associados, que são representados no arquivo de dados de entrada. O arquivo de entrada está associado ao software que processa a simulação. O modelo de dados representa os arquivos referenciados por uma associação com um arquivo de dados.
Representação de dados para arquivos de saída
Quando o processo de simulação é concluído, ele produz vários arquivos de saída e cada arquivo de saída é representado como um arquivo de dados. Cada arquivo tem seu nome, descrição e um fator universal. Um arquivo de dados é classificado em dois arquivos. O primeiro arquivo contém os valores numéricos e o segundo arquivo contém as informações descritivas para o conteúdo do arquivo numérico.
Redes Neurais em Modelagem e Simulação
A rede neural é o ramo da inteligência artificial. A rede neural é uma rede de vários processadores denominados unidades, cada unidade tendo sua pequena memória local. Cada unidade é conectada por canais de comunicação unidirecionais denominados conexões, que transportam os dados numéricos. Cada unidade funciona apenas em seus dados locais e nas entradas que recebem das conexões.
História
A perspectiva histórica da simulação é enumerada em ordem cronológica.
O primeiro modelo neural foi desenvolvido em 1940 por McCulloch & Pitts.
Dentro 1949, Donald Hebb escreveu o livro “The Organization of Behavior”, que apontava para o conceito de neurônios.
Dentro 1950com o avanço dos computadores, tornou-se possível fazer um modelo sobre essas teorias. Isso foi feito por laboratórios de pesquisa da IBM. No entanto, o esforço falhou e as tentativas posteriores foram bem-sucedidas.
Dentro 1959, Bernard Widrow e Marcian Hoff, desenvolveram modelos denominados ADALINE e MADALINE. Esses modelos têm vários elementos LINear ADAtivos. MADALINE foi a primeira rede neural a ser aplicada a um problema do mundo real.
Dentro 1962, o modelo perceptron foi desenvolvido por Rosenblatt, tendo a capacidade de resolver problemas simples de classificação de padrões.
Dentro 1969, Minsky & Papert forneceram provas matemáticas das limitações do modelo perceptron em computação. Foi dito que o modelo perceptron não pode resolver o problema de X-OR. Essas desvantagens levaram ao declínio temporário das redes neurais.
Dentro 1982, John Hopfield, da Caltech, apresentou suas idéias em papel à National Academy of Sciences para criar máquinas usando linhas bidirecionais. Anteriormente, eram usadas linhas unidirecionais.
Quando as técnicas tradicionais de inteligência artificial envolvendo métodos simbólicos falharam, surge a necessidade de usar redes neurais. As redes neurais têm suas técnicas de paralelismo massivo, que fornecem o poder de computação necessário para resolver esses problemas.
Áreas de aplicação
A rede neural pode ser utilizada em máquinas de síntese de voz, para reconhecimento de padrões, para detecção de problemas diagnósticos, em painéis de controle robótico e equipamentos médicos.
Conjunto Fuzzy em Modelagem e Simulação
Conforme discutido anteriormente, cada processo de simulação contínua depende de equações diferenciais e seus parâmetros, como a, b, c, d> 0. Geralmente, estimativas pontuais são calculadas e usadas no modelo. No entanto, às vezes essas estimativas são incertas, então precisamos de números difusos nas equações diferenciais, que fornecem as estimativas dos parâmetros desconhecidos.
O que é um conjunto Fuzzy?
Em um conjunto clássico, um elemento é membro do conjunto ou não. Conjuntos fuzzy são definidos em termos de conjuntos clássicosX como -
A = {(x, μA (x)) | x ∈ X}
Case 1 - A função μA(x) tem as seguintes propriedades -
∀x ∈ X μA (x) ≥ 0
sup x ∈ X {μA (x)} = 1
Case 2 - Deixe fuzzy definir B ser definido como A = {(3, 0.3), (4, 0.7), (5, 1), (6, 0.4)}, então sua notação difusa padrão é escrita como A = {0.3/3, 0.7/4, 1/5, 0.4/6}
Qualquer valor com grau de adesão igual a zero não aparece na expressão do conjunto.
Case 3 - Relação entre conjunto fuzzy e conjunto crisp clássico.
A figura a seguir descreve a relação entre um conjunto fuzzy e um conjunto nítido clássico.
