Descoberta automática de pontos de saída de criminosos em áreas urbanas: uma abordagem genética acoplada a um modelo de simulação baseado em inteligência coletiva

• Adriano Melo UNIFOR
• Vasco Furtado UNIFOR
• André L.V. Coelho UNIFOR

Resumo

Sistemas de simulação se apresentam como ferramentas úteis de suporte à tomada de decisão e têm sido usados no contexto da Segurança Pública permitindo aos peritos policiais a condução de experimentos controlados com um mínimo de risco. No entanto, a calibração desses sistemas não é trivial, particularmente quando ela se apresenta como um problema de otimização combinatória. Neste artigo, descrevemos nossa solução para um problema de alocação de criminosos a gateways (locais de saída de criminosos na simulação) através de algoritmos genéticos (AGs). O uso de um AG possibilita a descoberta, de forma automática, das configurações de gateways que, ao serem adotadas no modelo de simulação, venham a reproduzir da forma mais fidedigna possível os padrões de criminalidade observados na vida real. No artigo, avaliamos também como, ao se lançar mão de conhecimento do domínio, o sistema pode fornecer sugestões de configurações de gateways que sejam mais plausíveis sob o ponto de vista de um especialista em polícia.

Referências

Calvez, B. e Hutzler, G. (2005), Automatic tuning of agent-based models using genetic algorithms, Procs. of the 6th International Workshop on Multi-Agent-Based Simulation (MABS), pp. 41-57.

Cansado, T. M. L. (2005), Alocação e despacho de recursos para combate à criminalidade. Dissertação de mestrado, UFMG, Belo Horizonte.

Bonabeau, E., Dorigo, M. e Theraulaz, G. (1999), Swarm Intelligence: From Natural to Artificial Systems. Santa Fe Institute Studies in the Sciences of Complexity Series. Oxford Press.

Buchanan, M. (2002), Nexus: Small Worlds and the Groundbreaking Science of Networks. W. W. Norton, New York.

Bussab, W. O. e Morettin, P. A. (2003), Estatística Básica, Saraiva.

Furtado, V., Melo, A., Coelho, A. L. V. e Menezes, R. (2007), A crime simulation model based on social networks and swarm intelligence, Procs. of 22nd ACM Symposium on Applied Computing (SAC 2007), pp. 56-57, Korea.

Furtado, V. e Vasconcelos E. (2006), A multiagent simulator for teaching police allocation. AI magazine 27(3), pp. 63-74.

Kaza, S., Xu J. and Marshall B. e Chen H. (2005), Topological analysis of criminal activity networks in multiple jurisdictions, Procs. of the National Conference on Digital Government Research, ACM International Conference Proceeding Series, Vol. 89, pp. 251-252.

Liang, J., Liu, L. e Eck, J. (2001), Simulating crimes and crime patterns using cellular automata and GIS. Department of Geography and Division of Criminal Justice. University of Cincinnati, Cincinnati.

Mitchell, M. (1996), An Introduction to Genetic Algorithms, MIT Press.

Pentico, D. W. (2007), Assignment problems: A golden anniversary survey. European Journal of Operational Research 176(2): 774-793.

Reis, D., Melo, A., Coelho, A. L. V. e Furtado, V. (2006), GAPatrol: An evolutionary multiagent approach for the automatic definition of hotspots and patrol routes, in: J. S. Sichman; H. Coelho; S. Oliveira (Eds.), Procs. of IBERAMIA/SBIA 2006, Lecture Notes in Artificial Intelligence (LNAI) 4140, pp. 118-127.

Xue, Y. and Brown, D. (2006), Spatial analyses with preference specification of latent decision makers for criminal event prediction. Decision Support Systems, 41(3), pp 560-573.

Weiss, G. (1999), Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence, MIT Press.

Zipf, G. K. (1949), Human Behaviour and the Principle of Least-Effort, Addison-Wesley, Cambridge MA.