João Pedro Augusto Costa

Formação complementar

Idiomas

Áreas de atuação

Participação em eventos

Produções bibliográficas

• AUGUSTO COSTA, J. P. ; CARMONA CORTES, O. A. . A Convolutional Neural Network for Detecting Faults in Power Distribution Networks along a Railway: A Case Study Using YOLO. APPLIED ARTIFICIAL INTELLIGENCE , v. 35, p. 2067-2086, 2021.

• COSTA, JOÃO P.A. ; CORTES, OMAR A.C. . A tool for creating parallel swarm algorithms automatically on multi-core computers. LEARNING AND NONLINEAR MODELS , v. 17, p. 39-47, 2019.

• CARMONA CORTES, OMAR ANDRES ; CORRÊA COSTA, LETICIA DE FÁTIMA ; AUGUSTO COSTA, JO'AO PEDRO . Uma Nova Meta-heurística Adaptativa Baseada em Vetor de Avaliações para Otimização de Portfólios de Investimentos. INTELIGENCIA ARTIFICIAL , v. 22, p. 85-101, 2019.

• Costa, João Pedro Augusto ; CORTES, OMAR ANDRES CARMONA ; de Oliveira, Valério Breno Santos Nunes ; da Silva, Ada Cristina França . Deep Neural Networks Applied to the Dynamic Helper System in a GPGPU. Lecture Notes in Computer Science. 1ed.: Springer International Publishing, 2019, v. , p. 29-38.

• AUGUSTO COSTA, J. P. ; CARMONA CORTES, OMAR ANDRES ; MARCON, C. A. M. . Optimizing the Cost of Maintenance Scheduling for Railway Lines Using a Hybrid Evolutionary Algorithm. In: 23rd International Conference on Hybrid Intelligent Systems, 2023, Hybrid. 23rd International Conference on Hybrid Intelligent Systems, 2023.

• Costa, João Pedro Augusto ; CORTES, O. A. C ; MENDEZ, O. R. S. . A Novel Parallel SPEA2 for Solving the Environmental-Economic Dispatch Problem: Competitive vs Cooperative Approach. In: Simpósio Brasileiro de Sistemas Elétricos, 2020, Santo André. VIII Simpósio Brasileiro de Sistemas Elétricos, 2020.

• COSTA, J. P. A. ; CORTES, O. A. C. ; CARVALHO JUNIOR, E. . An Adaptive Algorithm for Updating Populations on SPEA2. In: Simpósio Brasileiro de Automação Inteligente (SBAI), 2017, Porto Alegre. XIII Simpósio Brasileiro de Automação Inteligente, 2017.

• CARVALHO JUNIOR, E. ; CORTES, O. A. C. ; COSTA, J. P. A. ; VIEIRA, D. . A Parallel Adaptive Genetic Algorithm for Unconstrained Multimodal Numerical Optimization. In: Simpósio Brasileiro de Automação Inteligente (SBAI), 2017, Porto Alegre. XIII Simpósio Brasileiro de Automação Inteligente, 2017.

• CARVALHO, EGIDIO ; CORTES, OMAR ANDRES CARMONA ; COSTA, JOAO PEDRO ; RAU-CHAPLIN, ANDREW . A stochastic adaptive genetic algorithm for solving unconstrained multimodal numerical problems. In: 2016 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), 2016, Natal. 2016 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS). p. 130.

Outras produções

Projetos de pesquisa

• 2015 - 2016

  Um Modelo Auto Adaptativo Estocástico de Seleção de Algoritmos para Alterações Populacionais no SPEA2, Descrição: Muito embora os Algoritmos Evolutivos Multiobjetivos (MOEAs) possam encontrar um conjunto de relações custo-benefício, chamado de fronteira de Pareto, de forma eficiente, a correta combinação entre operadores de diferentes meta-heurísticas pode ser benéfica na busca por melhore soluções. Os resultados têm provado que normalmente os algoritmos híbridos encontram soluções melhores que os algoritmos não híbridos, ou equivalente no pior caso, sendo isso uma motivação interessante na sua produção. Essa combinação pode ser encontrada tanto em problemas mono objetivos quanto em otimização multiobjectivos. Contudo, hibridizar pode levar a um alto custo computacional, o que torna a associação desses algoritmos com a computação paralela um caminho natural, especialmente naquelas aplicações que envolvem problemas do mundo real, pois estes exigem que as soluções sejam fornecidas em tempo hábil para a tomada de decisão. Dentre os MOEAs disponíveis pode-se citar o SPEA2 (Strengh Pareto Evolutionary Algorithm 2) que tem como principal vantagem a de classificar tanto boas soluções (não-dominadas) quanto soluções cujo custo-benefício não se apresente atrativo em uma única métrica de fitness. A questão passa então a ser como o algoritmo altera a população de modo a varrer o espaço de busca a procura de soluções. Normalmente essa modificação é feita através de operadores genéticos, os mesmos encontrados nos algoritmos genéticos. Por outro lado, outras formas podem ser utilizadas para realizar essa modificação, como por exemplo a otimização por nuvem de partículas (PSO Particle Swarm Optimization) e evolução diferencial (DE Differential Evolution). Considerando essas novas formas de alteração propostas, como selecioná-las em cada iteração também passa a ser um problema para o programador. É nesse contexto que este projeto propõem um modelo estocástico auto-adaptativos para efetuar essa seleção. Ambas as propostas serão testadas em funções de benchmarks para em seguida serem avaliadas na resolução de problemas do mundo real.. , Situação: Concluído; Natureza: Pesquisa. , Alunos envolvidos: Graduação: (1) . , Integrantes: João Pedro Augusto Costa - Integrante / Omar Andres Carmona Cortes - Coordenador.