Métodos quantitativos para análise de parâmetros do Simulated Annealing
|
|
- Ana Sofia Ramalho
- 5 Há anos
- Visualizações:
Transcrição
1 Métodos quantitativos para análise de parâmetros do Simulated Annealing WILDERSON MOREIRA PINTO (IFMG Campus Congonhas) KENESTON SOUSA COELHO (IFMG Campus Congonhas) SILVIA MARIA SANTANA MAPA (IFMG Campus Congonhas) ALBANO CÉSAR PADULA DE MORAIS (IFMG Campus Congonhas) DANIEL APARECIDO OLIVEIRA SILVA(IFMG Campus Resumo: O Problema de Alocação de Salas é comum em diversas instituições de ensino, quando se faz necessário programar horários e alocar salas. A solução manual de problemas desta natureza é considerada difícil e pode demandar vários dias de trabalho, sendo que a utilização de técnicas matemáticas exatas se torna inviável, dependendo do tamanho do problema. Ganha destaque neste cenário técnicas metaheurísticas, como o Simulated Annealing, que a partir de requisitos classificados como essenciais e não essenciais, consegue gerar soluções de boa qualidade, escapando de ótimos locais, com relativo baixo custo computacional. O objetivo deste trabalho consiste em determinar quais dos parâmetros do Simulated Annealing possuem maior impacto na geração de soluções para um problema de caráter fictício. Para isso, foi necessaria a aplicação das ferramentas estatísticas de sumarização de dados e projeto fatorial para obter informações de como os parâmetros da metaheurística interferem nos resultados do Problema de Alocação de Salas. Palavras-chave: Simulated Annealing; Sumarização de dados; Projeto fatorial. 1. Introdução O Problema de Alocação de Salas (PAS), conhecido na literatura como Classroom Assignment Problem, diz respeito à distribuição de aulas a salas, respeitando-se certas restrições e considerando-se que as aulas dos cursos já estejam programadas, isto é, que já estejam definidos os horários de início e término das aulas de cada turma de cada disciplina e o problema, então, é o de alocar essas aulas às respectivas salas. A solução manual deste problema é uma tarefa árdua e normalmente requer vários dias de trabalho, dependendo do tamanho do problema, sendo considerado um problema NP-difícil (Even et al. 1976, Carter and Tovey 1992), o que, em casos reais, dificulta ou até mesmo impossibilita sua resolução por técnicas de programação matemática, ditas exatas. Por isto, no presente trabalho aplica-se uma técnica heurística ao problema, o que não garante a sua otimalidade, mas visa obter respostas viáveis e tão boas quanto possível. Apesar das técnicas heurísticas não garantirem a otimalidade numérica, como as técnicas exatas, elas conseguem, em geral, gerar soluções de boa qualidade sem um elevado custo computacional, medido em tempo de processamento. Dentre as heurísticas, destacam-se as chamadas meta-heurísticas, as quais, ao contrário das heurísticas convencionais, têm 1
2 caráter geral e são providas de mecanismos para escapar de ótimos locais. Dentre as metaheurísticas que vêm sendo aplicadas em problemas de programação de horários e alocação de salas, destacam-se: Simulated Annealing (Souza et al. 2002), Busca Tabu (Burke et al. 2001) e Programação Genética (Ueda et al. 2001). Neste trabalho será utilizada a técnica Simulated Annealing (SA) projetada para trabalhar com uma estrutura de vizinhança com movimentos de alocação. O objetivo será realizar uma abordagem quantitativa a partir da utilização de técnicas estatísticas de sumarização de dados e projeto fatorial, visando analisar quais parâmetros utilizados pelo SA possuem maior impacto na solução gerada, possibilitando melhor compreensão de como o sistema se comporta durante a execução dos experimentos. 2. Metodologia Um dos principais objetivos deste trabalho é proceder a uma análise estatística do comportamento do sistema na geração de soluções para o problema abordado. Para tanto, utilizou-se a coleta de dados e alguns métodos estatísticos para auxiliar na compreensão de como o sistema se comporta durante a obtenção de soluções para o problema. A técnica estatística de sumarização de dados foi utilizada para facilitar a compreensão e identificar características dos dados estudados, fornecendo medidas estatísticas de média, moda, mediana, variância, coeficiente de variação, intervalos de confiança, quartis, etc., além de mensurar o número de replicações necessárias para alcançar estimativas com certa confiança. Outra técnica utilizada foi o projeto fatorial, que é uma ferramenta muito eficaz para estudar sistemas complexos, pois permite identificar as interações entre as variáveis envolvidas no problema, uma vez que a cada tentativa completa ou réplica do experimento, todas as combinações possíveis dos níveis dos fatores são investigadas (Montgomery e Runger, 2012). Segundo Jain (1991), a técnica 2 k r é utilizada quando se tem k fatores que podem variar em dois níveis diferentes e a análise deseja isolar os erros experimentais. Cada conjunto de experimentos é reproduzido r vezes. Através desta classe de desenho fatorial pode-se facilmente analisar e classificar os fatores em ordem de impacto. No problema em questão, a utilização da técnica projeto fatorial foi necessária para determinar os efeitos dos parâmetros do Simulated Annealing e de suas interações na qualidade das soluções geradas e identificar qual destes parâmetros possui impacto mais significativo no desempenho do sistema. 3. Simulated Annealing (SA) O método Simulated Annealing foi desenvolvido e utilizado originalmente em simulações de termodinâmica, para análise computacional de processos de recozimento de certos materiais sólidos, onde estes eram aquecidos até determinada temperatura e então resfriados até que atinjam a energia mínima, ou seja, o equilíbrio térmico. Fazendo-se analogia a problemas combinatórios, podem-se considerar os possíveis estados do metal como as soluções, a energia de cada estado corresponde à função objetivo que, dependendo do 2
3 problema pode ser maximizada ou minimizada e a energia mínima seria a solução ótima do problema. O sistema Simulated Annealing considera alguns parâmetros que podem ser variados e estudados, sendo eles: Temperatura inicial; Temperatura final; Número máximo de iterações em certa temperatura (SAmax); Número máximo de iterações sem melhora da função objetivo (Itermax); Coeficiente de resfriamento (α). Os métodos de otimização comumente encontrados na literatura buscam, a partir de uma solução inicial aleatória, uma nova solução que, ao ser comparada com a inicial avalia se houve redução da função objetivo e, caso seja verdadeira, esta solução passa a ser considerada como corrente e os passos são repetidos até que não sejam observadas melhoras nos valores da função objetivo. O método Simulated Annealing utiliza técnicas para o refinamento de soluções do problema, buscando melhores soluções e evitando a convergência para valores de ótimos locais, uma vez que aceita movimentos de piora para explorar novas regiões e melhores soluções (Vieira, 2006). Na prática ele requer que o problema seja especificado em termos de um espaço de soluções com uma estrutura de vizinhança definida sobre ele, bem como uma função de custo mapeando cada solução em um valor numérico. O processo se inicia com um membro qualquer do espaço de soluções, normalmente gerado aleatoriamente, e seleciona um de seus vizinhos randomicamente. Se este vizinho for melhor que o original ele é aceito e substitui a solução corrente. Se ele for pior por uma quantidade, ele é aceito com uma probabilidade e - /T, onde T decresce gradualmente conforme o progresso do algoritmo. Esse processo é repetido até que T seja tão pequeno que mais nenhum movimento seja aceito, sendo esta a melhor solução encontrada durante a busca e tomada como uma boa aproximação para a solução ótima. 4. Problema de Alocação de Salas (PAS) O Problema de Alocação de Salas (PAS) é enfrentado por diversas instituições de ensino de médio e grande porte e consiste em alocar turmas às salas de aula, respeitando as restrições pré-determinadas. Trata-se de um problema combinatório cuja resolução manual pode demandar muito tempo e esforço por parte dos responsáveis e, por este motivo, é considerado pela literatura existente como um problema NP-difícil (Even et al. 1976, Carter e Tovey 1992). Em problemas de alocação de salas são considerados alguns requisitos, na qual são atribuídos pesos de acordo com o grau de importância, sendo que os mais importantes recebem pesos maiores, definindo assim os requisitos essenciais e não essenciais do problema. Os requisitos considerados essenciais na modelagem do problema neste trabalho foram: em uma mesma sala e horário não pode haver mais de uma aula; e uma sala não pode receber uma turma cuja quantidade de alunos seja superior à sua capacidade. O único 3
4 requisito não essencial considerado na formulação foi: utilizar o espaço das salas eficientemente, evitando alocar aulas de turmas pequenas em salas de maior capacidade. Outras restrições poderiam ter sido consideradas, tais como: sempre que possível, alocar a uma mesma sala alunos de um mesmo curso e período; se possível, cada uma das salas deve ser deixada vazia em pelo menos um horário ao longo do dia, de forma a possibilitar sua limpeza, dentre outras. A função objetivo é mensurada por duas componentes, uma de inviabilidade g(s), que mede o não atendimento dos requisitos essenciais e, caso não seja atendida, gerará uma alocação inviável e outra de qualidade h(s), que mede o grau de não atendimento dos requisitos não-essenciais e cujo atendimento é desejável, mas caso não seja satisfeito não gerará soluções inviáveis. A função objetivo pode ser expressa como: Desta forma, a função objetivo associa um número real a cada solução do universo de soluções existentes e deve ser minimizada. Quanto menor for o número associado à função objetivo, melhor será a solução encontrada para problema. 5. Descrição do problema O problema considerado para análise deste estudo é um exemplo hipotético de pequeno porte, com uma centena de horários distribuídos por uma dezena de salas, com as aulas realizadas de segunda a sexta, nos períodos da manhã, tarde e noite. A solução do problema é representada por uma matriz S = (S ij ) mxn, onde m representa o número de horários reservados para a realização das aulas e n o número de salas disponíveis. Em cada célula S ij é colocado o número da turma t alocada ao horário i e sala j. Uma célula vazia indica que a sala j está desocupada no horário i. O algoritmo foi implementado na linguagem C, usando o compilador GNU GCC e testado em um microcomputador PC Intel Core 2 Duo, 1,83 GHz, com 4 GB de RAM, sob sistema operacional Windows Seven. O pseudocódigo do algoritmo é apresentado na Figura 1. 4
5 FIGURA 1 Pseudocódigo do algoritmo. Os tempos de processamento para geração de soluções não serão analisados neste trabalho, pois seu impacto no sistema analisado, por ser um problema de pequeno porte, é da ordem de segundos, e não está definido no escopo do presente trabalho. 6. Sumarização de dados Para a técnica estatística sumarização de dados foram criados dois sistemas de testes, um para a solução inicial e outro para o SA, sendo que para este último foram definidos os parâmetros mostrados na tabela 1. TABELA 1- Parâmetros do Simulated Annealing Parâmetros Simulated Annealing SAmax Itermax Temperatura_inicial Temperatura_final 0,01 Alfa 0,9 5
6 Foram coletados 32 valores de função objetivo para o problema de alocação de salas, tanto para a solução inicial quanto para o Simulated Annealing, sendo os valores obtidos mostrados na Tabela 2 e a dispersão de respostas exibida no Gráfico 1. TABELA 2 Valores de Função Objetivo obtidas Solução Inicial Solução Simulated Annealing Função Objetivo Função Objetivo GRÁFICO 1- Dispersão das respostas Estimativas estatísticas para os valores de funções objetivo dos sistemas Solução Inicial e Simulated Annealing foram calculadas e mostradas na Tabela 3. 6
7 TABELA 3- Estimativas estatísticas para os valores de função objetivo Estimativa Solução Inicial Simulated Annealing Média , ,3125 Desvio-padrão , ,5766 Coef.Variação 0,1104 0,5703 Moda q q q Min Max IQR Analisando o coeficiente de variação, pode-se concluir que a técnica de geração de uma solução inicial é mais estável que as respostas geradas pelo SA (0,1104 < 0,5703). Isto já era de se esperar, visto que a geração de uma solução inicial não está submetida a técnicas de otimização e movimentos na estrutura de vizinhança, que explicam a maior variabilidade do SA devido aos erros experimentais. 7. Projeto Fatorial Projetos fatoriais 2 k r são usados, em geral, de maneira preliminar, antes de estudos mais detalhados. A técnica estatística Projeto Fatorial 2 k r é capaz de prever se um fator tem efeito significativo no experimento e mensurar se existem interações entre os fatores considerados. Pretende-se determinar quais fatores do SA e suas interações tem impacto mais significativo na minimização da função objetivo, á luz dos erros experimentais. Para a aplicação desta técnica, a variável resposta é o valor da função objetivo, FO. SAmax, Alfa e Itermax são os fatores do SA que serão variados, fazendo k=3. Os experimentos serão replicados 22 vezes, ou r=22, a fim de se estimar o impacto do erro experimental na variável resposta. Portanto, os níveis dos fatores assumirão valores máximo e mínimo dentro das respectivas faixas de intervalos. Sabe-se a priori que quanto maior os valores de Alfa, SAmax e Itermax, maiores são as chances de se obter melhores valores de função objetivo. Sendo assim, os efeitos são unidirecionais. A Tabela 4 mostra esta premissa para valores específicos dos fatores SAmax, Alfa e Itermax. Para cada nível de cada fator calculou-se a média da função objetivo FO. Enquanto variou-se um fator os outros foram mantidos constantes. 7
8 TABELA 4 Valores específicos dos fatores SAmax, Alfa e Itermax. Nível Variável Fator Baixo Alto Baixo Alto A SAmax , ,8 B Itermax , ,4 C Alfa 0,10 0, , ,6 Os testes foram feitos variando-se os fatores, como mostrado na Tabela 4, e foram obtidos os valores da função objetivo (Tabela 6), conforme as denominações da Tabela 5. FO TABELA 5 Denominações para funções objetivo Itermax Samax Alto Baixo Alfa Alfa Alto Baixo Alto Baixo Alto AA EE BB FF Baixo CC GG DD HH TABELA 6- Valores da função objetivo Valores de Função Objetivo r AA BB CC DD EE FF GG HH
9 média Deve-se notar que o Sistema AA atingiu uma solução com função objetivo ligeiramente melhor que todos os outros Sistemas, no valor de , refletindo em uma melhor alocação de salas, com menos penalidades por excesso ou ociosidade de salas. Este resultado é interessante, visto que variando os parâmetros do sistema, foi permitido um número maior de iterações em uma dada temperatura, um maior número de iterações sem melhorias e um coeficiente de resfriamento maior, o que faz o sistema resfriar mais lentamente. Sendo assim, com esta configuração têm-se mais chances de escapar de um ótimo local e gerar soluções de melhor qualidade. Os erros calculados são apresentados na Tabela 7. TABELA 7 Errros experimetais Tabela dos erros experimentais r AA BB CC DD EE FF GG HH Procedeu-se à construção da Tabela 8. 9
10 TABELA 8: Dados para a técnica Projeto Fatorial I A B C AB AC BC ABC Y Total q * = Total/8 SS* = Fração explicada por: 0,91% 5,27% 18,08% 0,80% 0,32% 1,39% 0,26% SSY = 3,45625E+12 SSE = 1,30358E+12 72,97% SST = ,00% 10
11 Dentre os fatores considerados, os mais significativos são: B, C e BC, ou Itermax, Alfa e a interação entre eles, capazes de explicar 24,74% da variação da resposta FO. Pela equação, percebe-se que ao se aumentar os fatores Alfa, Itermax e SAmax é possível uma redução no valor da função objetivo, porém todas as interações que envolvem o fator Alfa fazem aumentar a função objetivo, em proporções menores em termos de significância. Se a finalidade é minimizar a função objetivo manipulando apenas estes três parâmetros do SA, vale investir inicialmente no fator Alfa (coeficiente de resfriamento), elevando-o ao máximo possível, em detrimento aos outros fatores considerados. O impacto desta decisão na resolução do problema é o aumento do tempo de execução do algoritmo. Portanto, os fatores do SA devem ser elevados até quanto tempo se está disposto a esperar por uma resposta. Ainda analisando a Tabela 8, conclui-se que a fração da variação da resposta explicada pelos fatores SAmax (A), Itermax (B), Alfa (C) e suas interações somam 27,03% apenas, e os restantes 72,97% da variação está atrelada aos erros experimentais, ou à parcela não controlada pelo modelo proposto. Esta análise motiva o estudo da variação da resposta em função da solução inicial gerada, sendo então proposto como trabalho futuro o desenvolvimento de um Modelo de Regressão para prever a variação da resposta com relação aos valores das soluções iniciais aleatoriamente geradas, então submetidas à metaheurística SA. 8. Conclusões A aplicação das técnicas estatísticas Sumarização de dados e Projeto Fatorial 2 k r ofereceu informações relevantes para o melhor entendimento de como os parâmetros da metaheurística Simulated Annealing interferem na geração de soluções ao Problema de Alocação de Salas implementado. Definidos os fatores do SA que seriam analisados no escopo do trabalho, os mesmos foram variados e os dados analisados com o auxílio da técnica Projeto de Experimentos. Notou-se que o fator Coeficiente de Resfriamento (Alfa) é o que possui maior impacto na variação da resposta (função objetivo), seguido pelo fator Número máximo de iterações sem melhora da função objetivo (Itermax) e a interação entre eles. O fator Número máximo de iterações em uma mesma temperatura (SAmax) não é significativo para explicar a variação da resposta para o problema analisado, mas também pode auxiliar na redução da função objetivo. Com a aplicação da técnica, chegou-se também à conclusão de que os fatores do SA analisados explicam apenas 27%, e o restante da variação da resposta está atrelado a outros fatores não controlados pelo modelo proposto no escopo do trabalho. Sumarizando os dados, pode-se concluir que valores de Alfa a partir de 0,9 produzem soluções de melhor qualidade para o Problema de Alocação de Salas, com 80% de confiança, sendo vantajosa a análise deste fator do SA, por ser, entre os outros parâmetros do SA, o de maior impacto na geração de soluções. Sendo assim, os objetivos iniciais traçados neste trabalho foram alcançados, possibilitando um melhor entendimento do comportamento do sistema na geração de soluções 11
12 para o problema variando-se parâmetros do Simulated Annealing, definindo quais fatores possuem maior impacto na minimização da função objetivo, tomada como métrica. Como trabalho futuro recomenda-se o desenvolvimento de um modelo de regressão para prever a variação da resposta com relação ao fator de maior impacto do SA. Referências Bibliográficas BURKE, E.K., COWLING, P., LANDA SILVA, J.D. and McCOLLUM, B. Three Methods to Automate the Space Allocation Process in UK Universities, Lecture Notes in Computer Science, 2079: CARTER, M.V. and TOVEY, C.A. (1992).When Is the Classroom Assignment Problem Hard?, Operations Research, 40:S28-S39. EVEN, S., ITAI, A. and SHAMIR A. (1976) On the complexity of timetabling and multicommodity flow problems, SIAM Journal of Computation, 5: JAIN, R. Art of Computer Systems Performance Analysis Techniques For Experimental Design Measurements Simulation And Modeling. Wiley Computer Publishing, John Wiley & Sons, Inc LAPPONI, Juan Carlos. Estatística usando EXCEL. 4. ed: Elsevier Campus, p. MONTGOMERY, D.C; RUNGER, G. C. Estatística aplicada e probabilidade para engenheiros. Rio de Janeiro: LTC, SOUZA, M.J.F.; MARTINS, A.X.; ARAÚJO, C.R. Uma metaheurística híbrida baseada em Simulated Annealing e Busca Tabu para o Problema de Alocação de Salas. In: Proceedings XI Congreso Latino-Ibero- Americano de Investigación de Operaciones y Sistemas, Concepción, 2002a. 1 CD-ROM. SOUZA, M.J.F., XAVIER, A.X. E ARAÚJO, C.R. (2002). Experiências com a utilização de Simulated Annealing e Busca Tabu na resolução do Problema de Alocação de Salas. In: XXXIV Simpósio Brasileiro de Pesquisa Operacional - SBPO, Instituto Militar de Engenharia, Rio de Janeiro, Brasil. Anais do XXXIV SBPO. UEDA, H., OUCHI, D., TAKAHASHI, K. and MIVAHARA, T. (2001). A Co-evolving Timeslot/Room Assignment Genetic Algorithm Technique for Universities Timetabling, Lecture Notes in Computer Science, 2079: VIEIRA, L.E. Algoritmo Evolutivo para o Problema do Caixeiro Viajante com Demandas Heterogêneas. Dissertação (Mestrado em Engenharia da Produção) - Universidade Federal de Santa Maria, Santa Maria,
CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisUma Aplicação de Simulated Annealing para o Problema de Alocação de Salas. An Application of Simmulated Annealing to the Class Allocation Problem
Uma Aplicação de Simulated Annealing para o Problema de Alocação de Salas Amanda Sávio Nascimento e Silva 1 Rudini Menezes Sampaio 2 Guilherme Bastos Alvarenga 3 UFLA Universidade Federal de Lavras DCC
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
EXPERIÊNCIAS COM SIMULATED ANNEALING E BUSCA TABU NA RESOLUÇÃO DO PROBLEMA DE ALOCAÇÃO DE SALAS Marcone Jamilson Freitas Souza Departamento de Computação, Universidade Federal de Ouro Preto Campus Universitário,
Leia maisUM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO
UM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO Bruno Mota Avelar Almeida, Túlio Ângelo Machado Toffolo, Marcone Jamilson Freitas Souza
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO
ELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO Marcos Oliveira dos Santos (IC, FUNDAÇÃO ARAUCÁRIA), (UNESPAR/FECILCAM),
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisMETAHEURÍSTICAS: 1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO
1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO METAHEURÍSTICAS: É uma das primeiras metaheurísticas que foi utilizada com muito sucesso nos problemas complexos de pesquisa operacional. O S.A surgiu do campo
Leia mais7. Resultados. 7 MATLAB é um produto da The MathWorks, Inc.
7. Resultados O modelo foi implementado por meio da linguagem computacional utilizada no software Matlab 7 e através da utilização do otimizador GLPK (GNU Linear Programming kit), em uma plataforma de
Leia maisCOMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
Leia maisAplicação da metaheurística Busca Tabu na resolução do Problema de Alocação de Salas do Centro de Tecnologia da UFPB
Aplicação da metaheurística Busca Tabu na resolução do Problema de Alocação de Salas do Centro de Tecnologia da UFPB Anand Subramanian (DEP/UFPB) anandsubraman@hotmail.com José Maurício Fernandes Medeiros
Leia maisUm Algoritmo de Otimização Aplicado ao Problema de Estratificação Univariada. José André de Moura Brito
Um Algoritmo de Otimização Aplicado ao Problema de Estratificação Univariada José André de Moura Brito Escola Nacional de Ciências Estatísticas - ENCE Rua André Cavalcanti,106 - sala 403 -Santa Teresa,
Leia maisTêmpera Simulada Aplicada ao Problema de Designação Quadrática
Universidade Federal do Rio Grande do Sul - Instituto de Informática Têmpera Simulada Aplicada ao Problema de Designação Quadrática Fábio A. Camargo Corrêa - 141971 faccorrea@inf.ufrgs.br Porto Alegre,
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisINTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 04 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 04 Prof. Vitor Hugo Ferreira Busca em espaço de estados Estratégias
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisUSO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA F. M. A. S. COSTA 1, A. P. SILVA 1, M. R. FRANCO JÚNIOR 1 e R.
Leia maisAMANDA SÁVIO NASCIMENTO E SILVA ESTUDO E IMPLEMENTAÇÃO, MEDIANTE RECOZIMENTO SIMULADO, DO PROBLEMA DE ALOCAÇÃO DE SALAS
AMANDA SÁVIO NASCIMENTO E SILVA ESTUDO E IMPLEMENTAÇÃO, MEDIANTE RECOZIMENTO SIMULADO, DO PROBLEMA DE ALOCAÇÃO DE SALAS Monografia apresentada ao Departamento de Ciência da Computação da Universidade Federal
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisPesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Leia maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maisRecozimento Simulado (Simulated Annealing)
Capítulo 5 Recozimento Simulado (Simulated Annealing) Francisco José da Cunha Pires Soeiro José Carlos Becceneri AntônioJosédaSilvaNeto 51 Motivação e Histórico do Método O Recozimento Simulado (Simulated
Leia mais6 Resultados Numéricos
124 6 Resultados Numéricos 6.1. Introdução Neste capítulo são apresentados os resultados numéricos obtidos com as três abordagens propostas nesta tese. No item 6.2 apresenta-se os resultados referentes
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisMODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA PARA MINIMIZAÇÃO DOS ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM SETUP DEPENDENDE DA SEQUÊNCIA
MODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA PARA MINIMIZAÇÃO DOS ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM SETUP DEPENDENDE DA SEQUÊNCIA Cristiano Marinho Vaz, cmv02@hotmail.com Vinícius Ferreira da Silva
Leia maisOTIMIZAÇÃO DA VAZÃO DE FLUIDO REFRIGERANTE E ÁREA DE TROCA TÉRMICA DE UM TROCADOR DE CALOR CONTRA- CORRENTE
OTIMIZAÇÃO DA VAZÃO DE FLUIDO REFRIGERANTE E ÁREA DE TROCA TÉRMICA DE UM TROCADOR DE CALOR CONTRA- CORRENTE Mário Gomes da Silva Júnior (1); Camila Barata Cavalcanti (2); Josiele Souza Batista Santos (3);
Leia mais1 - A capacidade de fluxo que corresponde a capacidade máxima que pode passar pelo arco.
CONCEITOS DE REDE Uma rede é formada por um conjunto de nós, um conjunto de arcos e de parâmetros associados aos arcos. Nós Arcos Fluxo Interseções Rodovias Veículos Rodoviários Aeroportos Aerovia Aviões
Leia mais4 Metáforas de Optimização
4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,
Leia maisPesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear Introdução à Pesquisa Operacional Origens militares Segunda guerra mundial Aplicada na alocação de
Leia maisNOÇÕES SOBRE EXPERIMENTOS FATORIAIS
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planejamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Leia maisPesquisador. Planejamento de Experimentos Design of Experiments - DOE NOÇÕES SOBRE EXPERIMENTOS FATORIAIS. 1 - Fixar T e variar P até > Pureza
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planeamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Leia maisConceitosintrodutórios Planejamentode Experimentos. Prof. Dr. Fernando Luiz Pereira de Oliveira Sala1 ICEB I DEMAT
Conceitosintrodutórios Planejamentode Experimentos Prof. Dr. Fernando Luiz Pereira de Oliveira Sala1 ICEB I DEMAT Email: fernandoest@ig.com.br Um planejamento de experimentos consiste em um teste ou umas
Leia maisBibliografia Recomendada.
Bibliografia Recomendada http://paginapessoal.utfpr.edu.br/ebona Bibliografia Recomendada Montgomery, D. C. Design and Analysis of Experiments. Bibliografia Recomendada Barros Neto, B.; Scarminio, I. S.;
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia mais6 Experimentos realizados
6 Experimentos realizados 6.1 Considerações iniciais Resolvemos os modelos de PLIM utilizando o resolvedor CPLEX, baseado no método de branch-and-bound. Resolvemos as relaxações lineares dos mesmos modelos
Leia maisUm Algoritmo Simulated Annealing Eficiente para o Problema de Roteamento de Veículos com Janela de Tempo
Um Algoritmo Simulated Annealing Eficiente para o Problema de Roteamento de Veículos com Janela de Tempo Aloísio de Castro Gomes Júnior (UFOP) algomesjr2004@yahoo.com.br Marcone Jamilson Freitas Souza
Leia maisBCC204 - Teoria dos Grafos
BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal
Leia maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia maisExperimentos Fatoriais 2 k
Experimentos Fatoriais 2 k Carla A. Vivacqua Departamento de Estatística UFRN vivacqua@ccet.ufrn.br Encontro de Engenharia de Software Experimental UFRN 1 Agenda Planos Experimentais Abordados Formas de
Leia maisUmmétodohíbridoparaescalonar turnosdeenfermeiras
Ummétodohíbridoparaescalonar turnosdeenfermeiras Alexandre Luiz J. H. Albano e Marcio Oshiro Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação Um método
Leia maisDECISÕES SOBRE TRANSPORTES (PARTE III) Mayara Condé Rocha Murça TRA-53 Logística e Transportes
DECISÕES SOBRE TRANSPORTES (PARTE III) Mayara Condé Rocha Murça TRA-53 Logística e Transportes Agosto/2013 Problemas de roteirização e programação de veículos (RPV) Objetivo geral: Determinar rotas de
Leia maisPEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização
PEA MÉTODOS DE OTIMIZAÇÃO Otimização Definir claramente o problema a ser resolvido Estabelecer os limites físicos (capacidades, restrições) Definir o modelo matemático adequado PEA 8 - PLANEJAMENTO DE
Leia maisVirgílio A. F. Almeida DCC-UFMG 2005
Virgílio A. F. Almeida DCC-UFMG 2005 Prototipagem de sistemas Simulação Modelagem analítica matemática Criterios para avaliação dos métodos Custo Precisão Flexibilidade Esforço e capacidade de construir
Leia maisComputação Evolutiva Parte 1
Computação Evolutiva Parte 1 Fabricio Breve - fbreve@gmail.com 23/08/2007 Fabricio Breve 1 Introdução Computação Evolutiva Campo de pesquisa que utiliza idéias da biologia evolutiva para desenvolver técnicas
Leia maisTeoria da Decisão. Introdução às Metaheurísticas. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução às Metaheurísticas Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL Dr Sivaldo Leite Correia CONCEITOS E DEFINIÇÕES FUNDAMENTAIS Muitos experimentos são realizados visando
Leia maisProgramação de Horários e Alocação de Salas de Aula no IME/UERJ com Simulated Annealing e LAHC
Programação de Horários e Alocação de Salas de Aula no IME/UERJ com Simulated Annealing e LAHC Daniel Henrique da Silva Costa 1, Igor Machado Coelho 2, Paulo Eustáquio Duarte Pinto 3 Instituto de Matemática
Leia maisExperimentos e Resultados
6 Experimentos e Resultados Neste capítulo apresentamos os experimentos realizados e os resultados obtidos pelas heurísticas apresentadas. A primeira parte do capítulo aborda os experimentos e resultados
Leia maisAPLICAÇÃO DE META-HEURÍSTICAS À ENGENHARIA DE PRODUÇÃ O
APLICAÇÃO DE META-HEURÍSTICAS À ENGENHARIA DE PRODUÇÃ O João Carlos Zayatz Universidade Estadual de Maringá jcarloszay@gmail.com Gislaine Camila Lapasini Leal Universidade Estadual de Maringá gclleal@uem.br
Leia maisUm Modelo Híbrido Estocástico para Tratamento do Problema de Roteamento de Veículos com Janela de Tempo
Um Modelo Híbrido Estocástico para Tratamento do Problema de Roteamento de Veículos com Janela de Tempo Dissertação de mestrado (CIn-UFPE) Humberto César Brandão de Oliveira Orientador: Germano Crispim
Leia maisUMA PROPOSTA DE DISTRIBUIÇÃO MAIS EQUILIBRADA DE SALAS E PROFESSORES EM UMA IES
UMA PROPOSTA DE DISTRIBUIÇÃO MAIS EQUILIBRADA DE SALAS E PROFESSORES EM UMA IES Valdir Agustinho de Melo Centro Universitário Estadual da Zona Oeste - UEZO Rua Manuel Caldeira de Alvarenga, 1203, Campo
Leia maisAnálise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível
Análise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível Antonio G. RODRIGUES, Leandro T. HOFFMANN e Arthur T. GÓMEZ Universidade do Vale
Leia mais1-1 PESQUISA OPERACIONAL INTRODUÇÃO
1-1 PESQUISA OPERACIONAL INTRODUÇÃO Regra do Jogo 1-2 Provas MAN ADM 1 a Prova: 8 ou 10 de maio 2 a Prova: 12 ou14 de junho Substitutiva: 18 ou 21 de junho Média P = Média das Provas T = Média dos Testes
Leia maisMario de Andrade Lira Junior
Mario de Andrade Lira Junior http:\\lira.pro.br\wordpress 1 Item da avaliação 2010-1 Média avaliações semanais 2 Condução e análise do trabalho prático 2 Apresentação e artigo do trabalho prático 3 Prova
Leia maisProgramação de Escalas de Horários na Agricultura Irrigada utilizando o Método de Luus-Jaakola
Programação de Escalas de Horários na Agricultura Irrigada utilizando o Método de Luus-Jaakola Kennedy M. Fernandes, Instituto de Ciências Ambientais e Desenvolvimento Sustentável, ICADS, UFBA 47805-100,
Leia maisFlávia Barbosa UNICAMP Antônio Carlos Moretti UNICAMP
O Problema de Alocação de Berços: Aspectos Teóricos e Computacionais Flávia Barbosa UNICAMP flaflabarbosa0@gmail.com Antônio Carlos Moretti UNICAMP moretti@ime.unicamp.br Luiz Leduíno de Salles Neto UNIFESP
Leia maisModelos e Algoritmos para o Problema de Atribuio de Capacidades e Roteamento de Fluxos em Redes de Comunicao p.1/42
Modelos e Algoritmos para o Problema de Atribuição de Capacidades e Roteamento de Fluxos em Redes de Comunicação Defesa de Tese de Doutorado Ricardo Poley Martins Ferreira DCC - UFMG Modelos e Algoritmos
Leia maisESTATÍSTICA EXPERIMENTAL. ANOVA. Aula 05
ESTATÍSTICA EXPERIMENTAL ANOVA. Aula 05 Introdução A ANOVA ou Análise de Variância é um procedimento usado para comparar a distribuição de três ou mais grupos em amostras independentes. A análise de variância
Leia maisBusca Tabu. Marcone Jamilson Freitas Souza. Universidade Federal de Ouro Preto
Busca Tabu Marcone Jamilson Freitas Souza Universidade Federal de Ouro Preto www.decom.ufop.br/prof/marcone Sumário Introdução Fundamentação Algoritmo básico Implementação da lista tabu Tamanho da lista
Leia maisAnálise comparativa de fundos de hedge brasileiros utilizando DEA e bootstrap
Análise comparativa de fundos de hedge brasileiros utilizando DEA e bootstrap Felipe Piton da Silva (Escola Politécnica-USP) felipe.silva@poli.usp.br Celma de Oliveira Ribeiro (Escola Politécnica-USP)
Leia mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Leia maisEstatística Descritiva (I)
Estatística Descritiva (I) 1 O que é Estatística Origem relacionada com a coleta e construção de tabelas de dados para o governo. A situação evoluiu: a coleta de dados representa somente um dos aspectos
Leia maisPlanejamento e Análise de Experimentos: Aquecimento de Leite por Forno Micro-ondas
Planejamento e Análise de Experimentos 2012/1 1 Planejamento e Análise de Experimentos: Aquecimento de Leite por Forno Micro-ondas Wagner A. M. Ursine Abstract Este trabalho apresenta as etapas de planejamento
Leia maisPlanejamento de Experimentos. 7 Blocagem e Confundimento(Superposição) nos Planos 2 k
Planejamento de Experimentos 7 Blocagem e Confundimento(Superposição) nos Planos 2 k 7.1 Introdução Em muitas situações é impossível rodar todas as combinações de tratamento num plano 2 k sob condições
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisOTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
Leia maisHEURÍSTICAS PARA O PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO E RESTRITO DE TECIDO
5, 6 e 7 de Agosto de 2010 ISSN 1984-9354 HEURÍSTICAS PARA O PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO E RESTRITO DE TECIDO Antônio Carlos Torres Teixeira (Universidade Candido Mendes) acarlostt@uol.com.br
Leia maisEstatística Descritiva
Estatística Descritiva 1 O que é Estatística A Estatística originou-se com a coleta e construção de tabelas de dados para o governo. A situação evoluiu e esta coleta de dados representa somente um dos
Leia maisBranch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisALGORITMO GENÉTICO APLICADO AO PROBLEMA DE ALOCAÇÃO DE SALAS DE AULA: ESTUDO DE CASO NA UFV - CAMPUS FLORESTAL
ALGORITMO GENÉTICO APLICADO AO PROBLEMA DE ALOCAÇÃO DE SALAS DE AULA: ESTUDO DE CASO NA UFV - CAMPUS FLORESTAL Lucas Burahem Martins Universidade Federal de Viçosa - Campus Florestal Rodovia LMG 818, km
Leia maisEstatística Computacional Profª Karine Sato da Silva
Estatística Computacional Profª Karine Sato da Silva karine.sato.silva@gmail.com Introdução Quando analisamos uma variável qualitativa, basicamente, construímos sua distribuição de frequências. Ao explorarmos
Leia maisSituação-problema 10. Percentis. Percentis. e Quartis. Percentis. Percentis. Estatística I. p 100. Estatística I
UNIVERSIDADE FEDERAL DE RONDÔNIA CAMPUS DE JI-PARANÁ DEPARTAMENTO DE ENGENHARIA AMBIENTAL Situação-problema 10 Estatística I Prof. a Renata Gonçalves Aguiar Encontre as medidas de tendência central da
Leia maisAvaliação de Desempenho
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação Avaliação de Desempenho Planejamento de Experimentos 2 Aula 2 Marcos José Santana Regina
Leia maisModelagem em Experimentos Mistura-Processo para Otimização de Processos Industriais 15
Modelagem em Experimentos Mistura-Processo para Otimização de Processos Industriais 15 1 Introdução Na indústria moderna há uma contínua busca da otimização dos níveis de produção e da melhoria da qualidade
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS
ESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS João Vitor Moccellin Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisEstatística Descritiva (I)
Estatística Descritiva (I) 1 O que é Estatística Origem relacionada com a coleta e construção de tabelas de dados para o governo. A situação evoluiu: a coleta de dados representa somente um dos aspectos
Leia maisAnálise de Regressão
Análise de Regressão Tópicos em Avaliação de Desempenho de Sistemas Aline Oliveira Camila Araujo Iure Fé Janailda aso2@cin.ufpe.br cga2@cin.ufpe.br isf2@cin.ufpe.br jbs4@cin.ufpe.br Agenda Parte I: Contextualização
Leia maisMétodos modernos de pesquisa e Optimização
Métodos modernos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisCOMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO E A FUNÇÃO SOLVER
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ARTES, CIÊNCIAS E HUMANIDADES SISTEMAS DE INFORMAÇÃO COMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO
Leia maisDESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
Leia maisSOFTWARE PARA SIMULAÇÃO DE SÉRIES DIÁRIAS DE TEMPERATURA DO AR RESUMO
SOFTWARE PARA SIMULAÇÃO DE SÉRIES DIÁRIAS DE TEMPERATURA DO AR Angelo CATANEO 1 ; Jorim S. VIRGENS FILHO 2 ; Maysa de Lima LEITE 3 RESUMO Este trabalho objetivou o desenvolvimento de um software baseado
Leia maisUM ESTUDO SOBRE METAHEURÍSTICAS APLICADAS AO PROBLEMA DE HORÁRIO ESCOLAR
UM ESTUDO SOBRE METAHEURÍSTICAS APLICADAS AO PROBLEMA DE HORÁRIO ESCOLAR Alessandra Martins Coelho - ale contatos@ig.com.br Sérgio Ricardo de Souza - sergio@dppg.cefetmg.br Marcelo Caramuru Pimentel Fraga-
Leia maisUm estudo das heurísticas Simulated Annealing e VNS aplicadas ao problema de programação de tripulações
Um estudo das heurísticas Simulated Annealing e VNS aplicadas ao problema de programação de tripulações Marcone Jamilson Freitas Souza (UFOP) marcone@iceb.ufop.br Margarida Maria Silva Rodrigues (UFOP)
Leia maisEstudo da localização de maternidades em Sergipe através de simulação Monte Carlo
Estudo da localização de maternidades em Sergipe através de simulação Monte Carlo João Batista dos Santos-Filho 1, Tatiana Santos de Araujo Batista 2, José Carlos Rodrigues Oliveira 3,Maria Letícia da
Leia maisProgramação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo
Programação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo Lucas Yamada Scardoelli (EESC/USP) scarty@terra.com.br R. General Glicério, 340, Centro, CEP 15900-000, Taquaritinga,
Leia maisProf. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Leia mais3 Decisões de Localização de Instalações
3 Decisões de Localização de Instalações Historicamente, o estudo contemporâneo dos problemas de localização foi iniciado por Alfred Weber, que estudou a localização de uma fábrica com o objetivo de minimizar
Leia maisTeste de % de defeituosos para 1 amostra
DOCUMENTO OFICIAL DO ASSISTENTE DO MINITAB Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas
Leia maisSIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS
SIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS Bernardo De Polli Cellin Mestrando em Informática - Universidade Federal do Espírito Santo Av. Fernando Ferrari, Nº 514, CEP:
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia mais