Visualizador: https://manfredhair.github.io/ney-montanha/

Inteligência Artificial

Prof. Claudinei Dias (Ney)
Atividade - Simulated Annealing

Problema 1

Achar o melhor ponto de vista em uma montanha.
Aplicar o algoritmo de Simulated Annealing para encontrar o ponto mais alto (máximo) em um terreno simulado.

O terreno é representado por uma função matemática simples, com vários picos e vales.
Considere que você é um drone explorador tentando encontrar o ponto mais alto em uma cadeia de montanhas fictícia.

---

🧭 Orientações

1. Considere a função abaixo:

   • O domínio da função é x ∈ [-2, 2].
   • Essa função possui vários picos (máximos locais).
   • Seu objetivo é encontrar o ponto mais alto utilizando o algoritmo de Simulated Annealing.

2. Implemente o algoritmo de Simulated Annealing em Python.

3. Defina:

   • Temperatura inicial T0 = 1.0
   • Taxa de resfriamento α = 0.95
   • Número máximo de iterações por temperatura: 100

4. Crie uma função de vizinhança:

   • Dado um ponto x, gere x′ = x + ε, onde ε ∈ [-0.1, 0.1]

5. Plote:

   • A função f(x)
   • O caminho percorrido pelo algoritmo (para visualizar a busca pelo máximo)

---

💡 Dicas

• Use random.uniform(-0.1, 0.1) para gerar ε
• Use math.exp(-delta/T) para a aceitação probabilística
• Guarde o histórico dos pontos visitados para plotar depois

---

🧠 Raciocínio Intuitivo

Imagine você em uma exploração de montanhas (função f) tentando achar o vale mais fundo (mínimo global).

• No início (alta temperatura), você aceita subir montanhas (soluções piores) porque está animado (com energia).
• Conforme “esfria” (T diminui), você se torna mais seletivo e só aceita descidas ou pequenas subidas.
• Assim, você evita cair em mínimos rasos (mínimos locais) e tem chance de achar o melhor caminho até o vale profundo (mínimo global).