Solução Paralela para otimização do Estimador Bi-Objetivo.
|
|
- Rosângela Aveiro Gonçalves
- 7 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de São João Del-Rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia Solução Paralela para otimização do Estimador Bi-Objetivo J J S Marciano; V V R Silva ; M F S Barroso; Programa de Pós-Graduação em Engenharia Elétrica UFSJ, São João Del-Rei, MG CEP: jimjonessm@gmailcom, vvrsilva@ufsjedubr, barroso@ufsjedubr Resumo A busca pela solução que minimize ou maximize um resultado de uma função é o aspecto principal da otimização Porém, há casos em que não existe uma solução que satisfaça duas ou mais funções objetivo, simultaneamente Este caso é denominado Otimização Vetorial ou Otimização Multi-objetivo Tem grande aplicação em modelagem de sistemas dinâmicos, principalmente quando se deseja que características dinâmicas e estáticas sejam simultaneamente atendidas Sua solução consiste na geração de um conjunto de soluções candidatas que é denominado conjunto Pareto-Ótimo A otimização Bi-Objetivo consiste das seguintes etapas: estimação dos parâmetros (geração do conjunto Pareto-Ótimo), simulação do modelo (simulação infinitos passos a frente ou simulação livre) e busca pelo melhor modelo ( melhor resultado) Neste trabalho o critério de escolha do resultado ótimo, único, será automático, independente do usuário e baseado nas noções de correlação De maneira geral o tempo computacional para este problema de otimização é relativamente alto para um número elevado de pontos no conjunto Pareto Para problemas em que a função custo é linear nos parâmetros, a função tempo de execução f(x), em que x é o número de pontos no Pareto, é quadrática O procedimento aplicado para implantação do processamento paralelo foi dividir a quantidade total de cálculos de cada etapa da otimização igualmente para cada processo Os resultados preliminares são promissores e a curva do tempo em relação ao número de pontos no Pareto, pode ser descrita por uma relação afim No caso em que o exige um grande número de pontos no Pareto, o Bi-Objetivo Paralelo obteve um resultado melhor na redução do tempo computacional quando comparado com o Bi-Objetivo Convencional Palavras chaves: Otimização Bi-Objetivo, Otimização Multi-Objetivo, Computação Paralela, Correlação
2 1 INTRODUÇÃO A busca pela solução que minimize ou maximize um resultado de uma função é o aspecto principal da otimização, porém, há casos em que não existe uma solução que satisfaça duas ou mais funções objetivo, simultaneamente Este caso é denominado Otimização Vetorial ou Otimização Multi-objetivo e tem grande aplicação em modelagem de sistemas dinâmicos, principalmente quando se deseja que características dinâmicas e estáticas sejam simultaneamente atendidas Sua solução consiste na geração de um conjunto de soluções candidatas que é denominado conjunto Pareto-Ótimo O Estimador Bi-Objetivo, por exemplo, consiste na geração de soluções para problemas de otimização em que não há uma única solução que minimize duas funções objetivo concomitantemente Porém, o que se obtém como resposta é um conjunto de soluções, denominado conjunto Pareto-Ótimo O Estimador Bi-Objetivo é importante por estar na classe dos estimadores não-polarizados 1, o que é essencial para aplicação em modelagem (Aguirre, 2007; Barroso, 2006; Nepomuceno, 2002) Por outro lado, como pode ser visto em Wuppalapati et al (2008), independente do método adotado, a geração do Pareto- Ótimo é computacionalmente cara e o tempo de solução é NP-Hard (Lesmere et al, 2007a), sendo que NP-Hard consiste no alto custo computacional para solução de um determinado problema (Ziviani, 2007) Além disso, ainda há a necessidade de se obter dentre os modelos candidatos do conjunto Pareto-Ótimo, aquele que melhor atende às necessidades de projeto, ou a uma métrica predefinida, ou seja, faz-se necessário achar o melhor modelo Esta é a chamada etapa de decisão, essa escolha pode ser feita por interação humana ou computacional Existem vários trabalhos sobre a Estimação Multi-Objetivo, podendo destacar os trabalhos de Al-Fawzana e Haouarib (2005), Przybylski et al (2006) e Mavrotas et al (2009), que dissertam a respeito da estimação de parâmetros de maneira bi-objetivo Em Ebrahim e Razmi (2009), Eusébio e Figueira (2009) são apresentados métodos de buscas para a escolha do melhor modelo entre os disponíveis no Pareto-Ótimo e em Barroso et al (2007) é descrito o processo de estimação Bi-Objetivo com critério de escolha da melhor solução pela correlação mínima Preocupados com a questão do custo computacional, trabalhos mais recentes propõem uma solução escrita na forma paralela e/ou distribuída (Lesmere et al, 2007a; Lesmere et al, 2007b; Mezmaz e Melab, 2006; Abbasi et al, 2006; Siirola e Hauan, 2004; Wuppalapati et al, 2008; Negro et al, 2004; Rao, 2009) Pode-se verificar por meio das bases de indexação de periódicos que, do ano de 2000 em diante, as publicações na área de estimação bi-objetivo têm aumentado expressivamente Isto indica um aumento no interesse por tais estimadores, da necessidade de se estudar maneiras de se otimizar o processo de geração do conjunto Pareto-Ótimo e da procura inteligente da solução considerada ótima, dentre as disponíveis A computação paralela é uma técnica que permite a execução de mais de uma tarefa computacional simultaneamente em vários núcleos de processamento (Gao et al, 2009) Têm sido objeto de várias pesquisas que exigem um elevado numero de cálculos e que não possuem recursos para aquisição de supercomputadores Flynn (1972) define 4 formas de se paralelizar um problema: SISD (Single Instruction Single Data), SIMD (Single Instruction Strem Multiple Data Stream), MISD (Multiple Instruction Stream Single Data Stream) e MIMD (Multiple Instruction Stream Multiple Data Stream) Neste trabalho serão aplicadas técnicas de computação paralela no processo de estimação Bi-Objetivo, a fim de reduzir o tempo de obtenção da solução Este trabalho se apresenta da seguinte forma: Na seção 2 é apresentada a computação paralela, na seção 3 é descrito o Estimador Bi-Objetivo e na seção 4 é descrito a aplicação das técnicas de paralelismo no Estimador Bi-Objetivo A seção 5 é destinada à com- 1 Ou seja, os parâmetros estimados, na média, coincidem com os valores dos parâmetros reais
3 paração do desempenho dos Estimadores Bi-Objetivo Convencional e Bi-Objetivo Paralelo A seção 6 é destinada às considerações finais 2 COMPUTAÇÃO PARALELA A computação paralela é uma técnica na qual vários processos podem ser simulados concomitantemente O interesse por esta área é crescente devido à necessidade de solucionar problemas que exigem um maior poder de processamento e também uma redução no tempo de solução, o que somente seria encontrado em um supercomputador (Russ e Quentin, 1996) Porém, o custo de um supercomputador é muito alto e também seu elevado porte físico não possibilita sua instalação em pequenos ambientes, o que inviabiliza em muitos casos a sua implantação Então, há décadas a computação paralela vem sendo utilizada para suprir esta necessidade de grande processamento e uma redução no tempo de solução do problema (Greenlaw et al, 1995) Existem várias formas de se aplicar o paralelismo a um determinado problema, segundo a taxonomia de Flynn (Grama et al, 2003): SISD (Single Instruction Single Data), conhecido como fluxo único de instruções sobre um determinado conjunto de dados é o caso de execução de tarefas em máquinas convencionais, também conhecida como Von Neumann; SIMD (Single Instruction Strem Multiple Data Stream) neste caso a mesma operação é executada sobre vários dados; em MISD (Multiple Instruction Stream Single Data Stream) os dados vão sendo modificados por cada unidade de processamento e passados para a unidade de processamento subsequente, pois cada uma executa uma operação diferente da outra; no MIMD (Multiple Instruction Stream Multiple Data Stream), o procedimento é similar ao MISD A diferença está no fato de não existir seqüência de processamento, então os dados processados são devolvidos diretamente para memória e não para o próximo processo (Flynn, 1972) Neste trabalho foi implementada a técnica SIMD (Figura 1) O mestre, que é o gerenciador, tem controle sobre os dados na memória e também sobre as tarefas que estão sendo executadas em cada escravo Os escravos executam o processo enviado pelo mestre e retornam o resultado obtido mestre escravo escravo escravo escravo MEMÓRIA Figura 1 Arquitetura da estrutura SIMD Os dados utilizados na implementação do SIMD, foram apresentados na forma de vetores Pela definição do SIMD, cada unidade de processamento executa a mesma função Então os vetores dos dados foram divididos em partes iguais considerando o número de unidades de processamento, de forma a balancear os processamentos (Eq 1) Sendo vp o tamanho dos vetores, vr o tamanho real do vetor de dados e p a quantidade de unidades de
4 processamento serão utilizadas O gerenciador (mestre) deve informar para os escravos quais dados serão utilizados e qual etapa da solução será executada Os escravos buscam então os dados na memória e executam seu trabalho, retornando o resultado para a memória O gerenciador fica encarregado de reorganizar os dados, definir a próxima etapa e finalizar a solução com o resultado final vp = vr p, (1) 3 ESTIMAÇÃO DE PARÂMETROS BI-OBJETIVO CONVENCIONAL Por se tratar de um problema multi-objetivo, a estimação de parâmetros pelo Estimador Bi-Objetivo, não fornece uma única solução que minimize duas funções simultaneamente, o que se obtém como solução é um conjunto Θ de soluções θ denominado conjunto Pareto-Ótimo (Barroso et al, 2007), que consiste nas melhores soluções estimadas de um modelo polinomial Porém não possui um ordenamento, a dominância no espaço de parâmetros pode ser representada pela Eq (2), θ Θ θ : J θ J θ e J θ J θ (2) em que J(θ) é um vetor de funcionais, com as especificações dinâmicas e da estáticas O procedimento para Estimação Bi-Objetivo, é descrito nas 3 etapas a seguir: 1 A estimação de parâmetros (Nepomuceno, 2002), é executada pela equação (3), em que θ são as soluções encontradas resolvendo a equação (3) para o intervalo 0 < λ 1, Ψ é a matriz de regressores, y é o conjunto de saídas medidas, Q é a matriz de regressores estáticos e R é o mapeamento linear, sendo QR a estrutura estática do modelo: θ λ = [ λψ Τ Ψ + 1 λ QR Τ QR ] 1 [ λψ Τ y + 1 λ QR Τ y ] ( 3) 2 Simulação da saída do modelo y 2 (Barroso, 2006): infinitos passos a frente ou simulação livre: y k = ψ k 1 θ ( 4) 3 Cálculo da função de custo da correlação (Eq 5) sendo J coor (θ) a função de custo da correlação, N o comprimento da série temporal, η k o erro de simulação; e busca pela menor correlação e melhor modelo θ (Eq 6), J coor (θ) = 1 N N k=1 η k y(k) ( 5) 2 O símbolo ( ˆ ) significa que a variável foi simulada
5 θ = min θ Θ J coor (θ) ( 6) Em Barroso (2006) é mostrado que a convergência da equação 6 para zero implica na convergência dos valores dos parâmetros para seus valores nominais, isto é, a solução que apresenta os parâmetros não polarizados 4 ESTIMAÇÃO DE PARÂMETROS BI-OBJETIVO PARALELO Para aplicação desta técnica na estimação de parâmetros Bi-Objetivo, o conjunto Pareto-Ótimo é o mesmo definido na seção 3 Porém, os dados utilizados na estimação passam pelas seguintes alterações no processo de estimação: seja P a quantidade de unidades de processamento, e definindo uma nova variável Γ que divide o intervalo λ em P partes Vale ressaltar que não são os valores de λ que são divididos, mas o tamanho do vetor λ Definindo também a variável ζ como vetor de soluções retornado de cada processo Então a estimação dos parâmetros pode ser calculada pela equação (7): ζ i Γ = [ ΓΨ Τ Ψ + 1 Γ QR Τ QR ] 1 [ ΓΨ Τ Ψ + 1 Γ QR Τ y ] ( 7) A equação (8) mostra o resultado da estimação, em que θ é o vetor contendo os conjuntos dos Pζ vetores e i é o identificador de cada processo ζ i : θ = ζ 1 ζ 2 ζ P ( 8) Os parâmetros do conjunto θ são utilizados na simulação livre do modelo y Os dados são repartidos em quantidades iguais para cada processo O conjunto θ é então subdivido em P conjuntos η, da seguinte forma: ϵ k = ψ k 1 η i (9) Sendo ϵ um vetor para armazenar os dados de cada unidade de processamento O vetor de simulação livre y é então organizado conforme a equação (10): y = ϵ 1 ϵ 2 ϵ P (10) As correlações de cada unidade de processamento são calculadas pela equação (11) N P Ci coor = 1 N n k y(k) (11) k=1
6 A equação (12) mostra o agrupamento dos conjuntos Ci coor em J coor : J coor = C1 coor C2 coor CP coor (12) A busca da mínima correlação θ é executada pelas equações (13-15) M i = min θ Θ J coor (ζ) (13) M = M 1 M 2 M P (14) θ = min θ Θ J coor (M) (15) Pode-se observar que na estimação Bi-Objetivo Paralelo, as estruturas matemáticas se mantiveram intactas 5 COMPARAÇÃO DOS ESTIMADORES: BI-OBJETIVO CONVENCIONAL COM O BI-OBJETIVO PARALELO Para teste e comparação dos resultados das técnicas descritas nas Seções 3 e 4, o modelo utilizado para produzir os dados é descrito em Doyle III et al (1995) e Ray (1972) Trata-se de um processo de polimerização por radicais livres de metacrilato de metila (MMA), com azo-bisisobutyronitrile (AIBN) como iniciador e tolueno como solvente O modelo simulado (Doyle III et al, 1995) é composto por conjunto de quatro equações diferenciais não lineares de primeira ordem A entrada é a taxa do fluxo volumétrico do iniciador e a saída é o número médio do peso molecular (variável controlada) As simulações do modelo nos estimadores: Bi-Objetivo Convencional e Bi-Objetivo Paralelo foram realizadas em um computador com as seguintes configurações: processador Intel Core 2 Duo T5670 1,8 GHz, memória RAM de 4Gb e unidade de armazenamento de 500Gb Para obtenção de dados para realizar a comparação do tempo de estimação pelas duas técnicas descritas nas Seções 3 e 4 foram realizados 19 testes utilizando uma quantidade de pontos variando de 1000 a pontos no conjunto Pareto Para assegurar que os resultados obtidos pelos métodos de estimação são idênticos, os dados das correlações de cada execução da estimação para cada uma das técnicas apresentadas neste trabalho foram armazenados para efeito de comparação (Figura 2)
7 Correlação Nono Simpósio de Mecânica Computacional Pontos no conjunto Pareto Figura 2 - Correlação dos estimadores para 1000 a 19000: (--) Estimador Bi-Objetivo Convencional, (o) Estimador Bi-Objetivo Paralelo É sabido pela função de ajuste de curva que a correlação decresce de forma exponencial com o aumento de pontos (Eq 16) Porém observa-se que existe certo ponto de acomodação, isto é, ao aumentar a quantidade de pontos a partir do ponto de acomodação o modelo obtido não sofre melhorias f x = 0,3222e 4, , x + 0,122e ( 16) É importante salientar que é possível saber qual é o limiar para o número de pontos que devem compor o conjunto Pareto-Ótimo de maneira a garantir a mínima correlação, ou pelo menos, é possível, pelo ajuste de curva, ter uma estimativa para a convergência do valor de correlação e, conseqüentemente, para o número de pontos Para tanto, fazer: e e = lim x f x, ( 17) sendo que e e é o valor esperado (valor de convergência) para a correlação Comprovado então que os resultados são idênticos para ambas as técnicas, o tempo gasto na execução de cada estimação é analisado A curva obtida para o tempo de estimação de parâmetros Bi-Objetivo Convencional pode ser ajustada pela seguinte função (Eq 17), cujo resultado é dado em segundos: g(x) = (1,839X10 5 )x 2 + 0,02383x + 8,347 ( 18) A curva do tempo para Estimação de Parâmetros Bi-Objetivo Paralelo pode ser ajustada pela Equação 18, cujo resultado é dado em segundos: (x) = 0,01316x 0,1416 ( 19) sendo x o número de elementos do conjunto Pareto Pelas funções de ajuste (f x, g x e (x)) pode-se observar que o Estimador Bi-Objetivo Paralelo estima os
8 Tempo / seg Nono Simpósio de Mecânica Computacional parâmetros em tempo afim e o Estimador Bi-Objetivo convencional estima os parâmetros em tempo quadrático, fazendo que seu tempo seja superior ao Bi-Objetivo Paralelo (Figura 3) Pontos no Pareto Figura 3 - Tempos de solução do Estimador Bi-Objetivo Convencional e Bi-Objetivo Paralelo para a estimação do intervalo de 1000 a pontos no conjunto Pareto-Ótimo: Estimador Bi-Objetivo Paralelo (o), Estimador Bi-Objetivo Convencional (--) Calculando a porcentagem da diferença dos tempos gastos na solução dos estimadores, foi obtido como resultado aproximadamente uma reta do tempo gasto partindo de 332,8% com uma taxa decrescente em torno de 150%, chegando a 2830,3 % de economia em tempo Como pode ser observada, pela da Tabela 1, a diferença de tempo é considerável Tabela 1 Comparação entre o tempo de solução entre Bi-Objetivo Convencional e Bi- Objetivo Paralelo Pontos no Pareto-Ótimo Tempo Bi-Objetivo Conv Tempo Bi-Objetivo Paral ,04 s 14,03 s ,45 s 131,28 s ,72 s 251,80 s Observando a equação 18, da curva de ajuste do Bi-Objetivo Paralelo, pode-se perceber que existe uma determinada quantidade de pontos em que o tempo de comunicação dos processos será maior que o tempo de solução Por exemplo, para x = 10, que consiste em 10 pontos no Pareto, o tempo de solução será 0,01 s, o que torna inviável o paralelismo para problemas que exijam uma pequena quantidade de pontos no conjunto Pareto-Ótimo 6 CONCLUSÕES Conforme mostrado nas Seções 3 e 4, o Estimador Bi-Objetivo é uma ferramenta importante para a estimação de parâmetros, por se tratar de um estimador da classe dos não polarizados, embora o tempo de solução cresça de forma quadrática com a quantidade de pontos utilizados no processo
9 A aplicação de técnicas de computação paralela no Estimador Bi-Objetivo não afetou a precisão de cálculos conforme foi verificado na Seção 5, mas trouxe um ganho no tempo de solução E demonstrado que o tempo computacional aumenta de forma afim com a quantidade de pontos O ganho em tempo de solução é de suma importância para casos que necessitem de um valor grande de pontos para um melhor resultado Pode ser observado neste trabalho que este ganho máximo chegou a 2830,3 % em comparação com a técnica de estimação do Bi- Objetivo convencional O Estimador Bi-Objetivo Paralelo demonstra ser então uma melhor opção para trabalhos que necessitem de uma estimação de parâmetros com um elevado número de pontos no conjunto Pareto-Ótimo Agradecimentos Os autores agradecem à FAPEMIG, CAPES e CNPQ pelo apoio financeiro 7 BIBLIOGRAFIA Abbasi, B, Shadrokh, S, Arkat, J, 2006, Biobjective resource-constrained project scheduling with robustness and makespan criteria, Applied Mathematics and Computation, 80, pp Aguirre, L A, 2007 Introdução à Identificação de Sistemas: técnicas lineares e não lineares aplicadas a sistemas reais, Editora da UFMG, Belo Horizonte 3ª edição Al-Fawzana, M, Haouarib, M, 2005, A bi-objective model for robust resource constrained project scheduling, International Journal Production Economics, 96, pp Barroso, M, 2006 Otimização Bi-Objetivo aplicada à estimação de parâmetros de modelos Narx Polinomiais: Caracterização e tomada de decisão, Tese de Doutorado, Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais, Belo Horizonte, Brasil Barroso, M, Takahashi, R, Aguirre, L, 2007 Multi-objective parameter estimation via minimal correlation criterion, Journal of Process Control, 17, pp Doyle III, F, Ogunnaike, B, Pearson, R, 1995 Nonlinear modelbased control using second-order volterra models, Automatica,31(5), pp Ebrahim, R M, Razmi, J, 2009 A hybrid meta heuristic algorithm for bi-objective minimum cost flow (bmcf) problem, Advances in Engineering Software, 40, pp Eusébio, A, Figueira, J, 2009 Finding nondominated solutions in bi-objective integer network flow problems, Computers & Operations Research 36: Eykhoff, P, 1981 Trends and Progress in System Identification, Pergamon, Oxford In INFAC series Flynn, M J, 1972 Some computer organizations and their effectiveness IEEE Transactions on Computers, C-21(9), pp Gao, W Kemao, Q, Wang, H, Seah, H, 2009 Parallel computing for fringe pattern processing: A multicore cpu approach in matlab environment, Optics and Lasers in Engineering, 47, pp Grama, A, Gupta, A, Karypis, G, Kumar, V, 2003 Introduction to Parallel Computing, Addison Wesley, Second Edition, pp 656, Harlow, Essex, England Greenlaw, R, Hoover, H J, Ruzzo, W L, 1995 Limits to Parallel Computation: P- Completeness Theory, OXFORD UNIVERSITY PRESS, pp 325, New York, USA Lesmere, J, Dhaenens, C, Talbi, E, 2007a An exact parallel method for a bi-objective permutation flowshop problem, Journal of Operational Research, 177, pp
10 Lesmere, J, Dhaenens, C, Talbi, E, 2007b Parallel partitioning method (ppm): A new exact method to solve bi-objective problems, Computers & Operations Research, 34, pp Mavrotas, G, Figueira, J R, Florios, K, 2009 Solving the bi-objective multidimensional knapsack problem exploiting the concept of core, Applied Mathematics and Computation, 215, pp Mezmaz, M, Talbi, E, Melab, N, 2006 Parallel cooperative meta-heuristics on the computational grid A case study: the biobjective flow-shop problem, Parallel Computing, 32, pp Miller, Russ, Stout, Quentin F, 1996 Parallel Algorithms for Regular Architectures : Meshes and Pyramids, MIT Press, London, England Miyano, T, Kimoto, S, Shibta, H, Nakashima, K, Ikenaga, Y, Ailara, K, 2000 Time series analysis and prediction on complex dynamical behavior observed in a blast furnace, Physica D, 135, pp Negro, F T, Ortega, J, Ros, E, Mota, S, Paechter, B, Martín, J (2004) Psfga: Parallel processing and evolutionary computation for multiobjective optimization, Parallel Computing, 30, pp Nepomuceno, E G,2002) Identificação multiobjetivo de sistemas não-lineares, Tese de Mestrado, Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais, Belo Horizonte, Brasil Przybylski, A, Gandibleux, X, Ehrgott, M, 2006 Two phase algorithms for the biobjective assignment problem, European Journal of Operational Research, 185, pp Rao, A R M, 2009 Distributed evolutionary multi-objective mesh-partitioning algorithm for parallel finite element computations, Computers and Structures, 87, pp Ray, W, 1972 On the mathematical modeling of polymerization reactors, JMacromol SciRev Macromol Chem, 8, pp 1 56 Siirola, J D, Hauan, S W A W, 2004 Computing pareto fronts using distributed agents, Computers and Chemical Engineering, 29, pp Weyer, E, Gábor, S, Katalin, H, 2000 Grey-box modeling and identification using physical knowledge and bayesian techniques, Automatica, 29(2), pp Wuppalapati, S, Belegundu, A, Aziz, A, Agarwala, V, 2008 Multicriteria decision making with parallel clusters in structural topology optimization, Advances in Engineering Software, 39, pp Ziviani, N, 2007 Projeto de algoritmos: com implementações em Java e C++, Thomson, São Paulo, Brasil 8 DIREITOS AUTORAIS Os autores são os únicos responsáveis pelo conteúdo do material impresso incluídos no seu trabalho
Arquiteturas paralelas Parte 1
Arquiteturas paralelas Parte 1 Processamento Paralelo Prof. Oberlan Romão Departamento de Computação e Eletrônica DCEL Centro Universitário Norte do Espírito Santo CEUNES Universidade Federal do Espírito
Leia maisScheduling and Task Allocation ADVANCED COMPUTER ARCHITECTURE AND PARALLEL PROCESSING Hesham El-Rewini 2005 Capítulo 10 Autor...: Antonio Edson Ceccon Professor..: Prof. Heitor Silvério Lopes Apresentação
Leia maisAPLICAÇÃO DE REPRESENTAÇÕES EM BLOCOS INTERCONECTADOS EM IDENTIFICAÇÃO CAIXA-CINZA DE SISTEMAS DINÂMICOS NÃO LINEARES
APLICAÇÃO DE REPRESENTAÇÕES EM BLOCOS INTERCONECTADOS EM IDENTIFICAÇÃO CAIXA-CINZA DE SISTEMAS DINÂMICOS NÃO LINEARES ANA PAULA L. SANTOS*, NÁDIA R. L. MILAGRES*, ALINE A. CAMPOS**, LUCIANA M. MARGOTI**,
Leia maisSSC510 Arquitetura de Computadores. 6ª aula
SSC510 Arquitetura de Computadores 6ª aula PARALELISMO EM NÍVEL DE PROCESSOS PROFA. SARITA MAZZINI BRUSCHI Tipos de Paralelismo Instrução (granulosidade fina) Paralelismo entre as instruções Arquiteturas
Leia maisCarlos Eduardo Batista Centro de Informática - UFPB
Carlos Eduardo Batista Centro de Informática - UFPB bidu@ci.ufpb.br Motivação Arquitetura de computadores modernos Desafios da programação concorrente Definição de concorrência Correr junto Disputa por
Leia maisUm Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico
Um Algoritmo Genético Associado a uma Estratégia de Decisão Baseada em Lógica Fuzzy para Calibração Multiobjetivo de um Modelo Hidrológico Amarísio da S. Araújo 1, Haroldo F. de Campos Velho 2, Vitor C.
Leia maisSSC PROGRAMAÇÃO CONCORRENTE. Aula 02 Revisão de Arquiteturas Paralelas Parte 1 Prof. Jó Ueyama
SSC- 0742 PROGRAMAÇÃO CONCORRENTE Aula 02 Revisão de Arquiteturas Paralelas Parte 1 Prof. Jó Ueyama Créditos Os slides integrantes deste material foram construídos a par4r dos conteúdos relacionados às
Leia maisUnidade 12: Introdução ao Paralelismo:
Arquitetura e Organização de Computadores 1 Unidade 12: Introdução ao Paralelismo: Processadores Superescalares Prof. Daniel Caetano Objetivo: Apresentar os conceitos fundamentais da arquitetura superescalar
Leia maisDisciplina de Arquitetura de Computadores
USP - ICMC - SSC SSC 0510 - Informática - 2o. Semestre 2009 Disciplina de Prof. Fernando Santos Osório Email: fosorio [at] { icmc. usp. br, gmail. com } Página Pessoal: http://www.icmc.usp.br/~fosorio/
Leia maisSistemas Distribuídos
Sistemas Distribuídos Classificação de Flynn Fonte: Professoras. Sarita UFRJ e Thais V. Batista - UFRN Arquiteturas Paralelas Computação Paralela Conceitos Permite a execução das tarefas em menor tempo,
Leia maisSIST706 Sistemas Distribuídos
Slide02 Arquiteturas de SD SIST706 Sistemas Distribuídos 2013/1 Prof. Jéfer Benedett Dörr @: prof.jefer@gmail.com profjefer.wordpress.com Notícias Cultura Livre Fontes de Notícias itil LPI Transistores:
Leia maisDETERMINAÇÃO DO NÚMERO DE TERMOS DE MODELOS POLINOMIAIS: O CRITÉRIO DE INFORMAÇÃO DE AKAIKE MULTIOBJETIVO
DETERMINAÇÃO DO NÚMERO DE TERMOS DE MODELOS POLINOMIAIS: O CRITÉRIO DE INFORMAÇÃO DE AKAIKE MULTIOBJETIVO Samir Angelo Milani Martins, Alípio Monteiro Barbosa, Erivelton Geraldo Nepomuceno GCoM Grupo de
Leia maisTeoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Otimização Vetorial 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 Introdução
Leia maisArquitetura de Computadores. Prof. João Bosco Jr.
Arquitetura de Computadores Prof. João Bosco Jr. (CPU) Modelo do Computador Von Neumann Processador Memórias E/S Barramentos Simulação Contador http://courses.cs.vt.edu/csonline/machinearchitecture/lessons/cpu/countprogram.html
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 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 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 maisLinguagem de Programação II
Linguagem de Programação II Carlos Eduardo Ba6sta Centro de Informá6ca - UFPB bidu@ci.ufpb.br Mo6vação Adaptar a estrutura lógica de um problema (Ex.: Servidores Web). Lidar com disposi6vos independentes
Leia maisArquitetura de Computadores
Arquitetura de Computadores 2018.1 Relembrando... Paralelismo Relembrando... Paralelismo Paralelismo em Instrução Relembrando... Paralelismo Paralelismo em Instrução Paralelismo em Aritmética Relembrando...
Leia maisPROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS POR BATELADAS: UM ESTUDO PARA A OTIMIZAÇÃO DO MAKESPAN
PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS POR BATELADAS: UM ESTUDO PARA A OTIMIZAÇÃO DO MAKESPAN R. P. da ROCHA 1, M. de F. MORAIS 1, M. A. da S. S. RAVAGNANI 2, C. M. G. ANDRADE 2, C. M. P. R. PARAÍSO 2 1 Universidade
Leia maisProgramação Concorrente e Paralela
2010.2 Objetivos princípios e técnicas de programação paralela multiprocessadores memória compartilhada troca de mensagens arquiteturas alternativas multicomputadores troca de mensagens obs: Essa troca
Leia maisUm algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
Leia maisTeoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão 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 Introdução Sumário 1 Introdução
Leia maisModelo de Von Neumann
1 Modelo de Von Neumann Memória UC ALU Entrada Saída ACC 2 Arquitetura de Von Neumann 3 O Computador 4 Processador Microprocessadores São processadores contidos em um único encapsulamento (CI). Microcontroladores
Leia maisComputação Paralela: Algoritmos e Aplicações. Prof. Amit Bhaya, Programa de Engenharia Elétrica, COPPE/UFRJ 09/05/ /05/2000
Computação Paralela: Algoritmos e Aplicações Prof. Amit Bhaya, Programa de Engenharia Elétrica, COPPE/UFRJ 09/05/2000 -- 12/05/2000 1 Conteúdo do minicurso Conteúdo do minicurso Computação paralela e de
Leia maisDETECÇÃO DE ESTRUTURAS DE MODELOS NARX POLINOMIAIS: UMA ABORDAGEM INTELIGENTE MULTI-OBJETIVO. Samir Angelo Milani Martins, Erivelton Geraldo Nepomuceno, João Paulo Mendes Figueiredo GCoM Grupo de Controle
Leia maisOTIMIZAÇÃO POR COLÔNIA DE FORMIGAS PARA O ROTEAMENTO EM REDES DE COMPUTADORES.
OTIMIZAÇÃO POR COLÔNIA DE FORMIGAS PARA O ROTEAMENTO EM REDES DE COMPUTADORES. Renato Guilherme Martins Junior (ICV-UNICENTRO), Richard Aderbal Gonçalves (Co-orientador), Carolina Paula de Almeida (Orientadora)
Leia maisProf a Andréa Schwertner Charão DELC/CT/UFSM
Modelos de Computadores Paralelos Prof a Andréa Schwertner Charão DELC/CT/UFSM Sumário Modelos de computadores paralelos Classificações "acadêmicas" Tendências de mercado TOP500 Impacto na programação
Leia maisPrograma de Pós-Graduação em Modelagem e Otimização, Regional Catalão / UFG
15 CAPÍTULO ABORDAGENS ROBUSTAS PARA PROBLEMAS DE OTIMIZAÇÃO LINEAR COM INCERTEZA NOS DADOS Marques, Raina Ribeiro 1 *; Queiroz, Thiago Alves de 2 ; 1 Programa de Pós-Graduação em Modelagem e Otimização,
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 maisArquiteturas de Computadores. Programa de Pós-Graduação em Ciência da Computação. Plano da aula. Histórico. Quatro gerações
Arquiteturas de Computadores Programa de Pós-Graduação em Ciência da Computação Norian Marranghello Março/Junho de 2006 Plano da aula Final da revisão Histórico Classificação de Arquiteturas Arquitetura
Leia maisARQUITETURA E ORGANIZAÇÃO DE COMPUTADORES INTRODUÇÃO AO PARALELISMO: PROCESSADORES SUPERESCALARES. Prof. Dr. Daniel Caetano
ARQUITETURA E ORGANIZAÇÃO DE COMPUTADORES INTRODUÇÃO AO PARALELISMO: PROCESSADORES SUPERESCALARES Prof. Dr. Daniel Caetano 2012-2 Lembretes Compreender o funcionamento da Arquitetura Superpipeline Compreender
Leia maisUnidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
1 CAPÍTULO O MÉTODO SIMULATED ANNEALING APLICADO EM LOCALIZAÇÃO E ROTEAMENTO Ferreira, Kamyla Maria 1 * ; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás
Leia maisComputação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
Leia maisBacharelado em Sistemas de Informação Sistemas Operacionais. Prof. Filipo Mór
Bacharelado em Sistemas de Informação Sistemas Operacionais Prof. Filipo Mór WWW.FILIPOMOR.COM - REVISÃO ARQUITETURAS PARALELAS Evolução das Arquiteturas Evolução das Arquiteturas Entrada CPU Saída von
Leia maisANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP
ANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP John Lennon Damas David UFG/Campus Catalão johnlennon_13@yahoo.com.br Hélio Yochihiro Fuchigami
Leia mais4/11/2010. Computadores de grande porte: mainframes e supercomputadores. Sistemas Computacionais Classificação. Sistemas Computacionais Classificação
Arquitetura de Computadores Quanto ao princípio de construção Computador Analógico: Computadores de grande porte: mainframes e supercomputadores Prof. Marcos Quinet Universidade Federal Fluminense UFF
Leia maisIntrodução na Computação Distribuída e Paralela
ISUTIC 2017 Introdução na Computação Distribuída e Paralela Docente: MSc. Angel Alberto Vazquez Sánchez Características da matéria 90 horas no semestre Conferências, Aulas Práticas, Laboratórios e Seminários
Leia maisSumário. Referências utilizadas. Introdução. MAFIA: Merging of Adaptive Finite Intervals. Introdução Visão Geral e Objetivos do MAFIA
Sumário : Merging of Adaptive Finite Intervals Elaine Ribeiro de Faria Análise de Agrupamento de Dados ICMC-USP Dezembro 2010 Introdução Visão Geral e Objetivos do Algoritmo Grid Adaptativo Algoritmo Algoritmo
Leia maisIntrodução à Programação Paralela através de Padrões. Denise Stringhini Calebe Bianchini Luciano Silva
Introdução à Programação Paralela através de Padrões Denise Stringhini Calebe Bianchini Luciano Silva Sumário Introdução: conceitos de paralelismo Conceitos básicos sobre padrões de programação paralela
Leia maisUm Calculador de Capacidade de Computação para Nós de Máquinas Virtuais LAM/MPI
Um Calculador de Capacidade de Computação para Nós de Máquinas Virtuais LAM/MPI Diego Luis Kreutz 1 Lucas Mello Schnorr 2 Cleverton Marlon Possani 3 Resumo Este texto apresenta um calculador de capacidade
Leia maisOtimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos. Luiz Lebensztajn
Otimização a Múltiplos Objetivos de Dispositivos Eletromagnéticos pelo Método dos Elementos Finitos Luiz Lebensztajn Otimização a Múltiplos Objetivos Quando há necessidade de Otimização a Múltiplos Objetivos?
Leia maisIN-1131 Computação Evolucionária. Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática
IN-1131 Computação Evolucionária Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática aluizioa@cin.ufpe.br Objetivos Este curso visa oferecer introdução abrangente em
Leia maisAjuste de um modelo de TRI aos dados do vestibular 2011.2 do curso de Administração Noturno da Universidade Federal de Uberlândia
Ajuste de um modelo de TRI aos dados do vestibular 20.2 do curso de Administração Noturno da Universidade Federal de Uberlândia José Waldemar da Silva 2 Mirian Fernandes Carvalho Araújo 2 Lucio Borges
Leia maisArquitetura de Computadores
Arquitetura de Computadores Aleardo Manacero Jr. DCCE/UNESP Grupo de Sistemas Paralelos e Distribuídos Informações Gerais Objetivos principais: Homogeneizar Aprofundar Flexibilidade x rigidez Informações
Leia maisConsiderações sobre a Condição Inicial na Construção do Diagrama de Bifurcação para o Mapa Logístico
Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Considerações sobre a Condição Inicial na Construção do Diagrama de
Leia maisA IMPORTÂNCIA DE THREADS NO DESEMPENHO DE APLICAÇÕES
A IMPORTÂNCIA DE THREADS NO DESEMPENHO DE APLICAÇÕES Euzébio da Costa Silva 1, Victor Pereira Ribeiro 2, Susana Brunoro Costa de Oliveira 3 1 29520-000, euzebioprogramacao@gmail.com 2 29520-000, victor3ifes@gmail.com
Leia maisIntrodução à Computação: Sistemas de Computação
Introdução à Computação: Sistemas de Computação Beatriz F. M. Souza (bfmartins@inf.ufes.br) http://inf.ufes.br/~bfmartins/ Computer Science Department Federal University of Espírito Santo (Ufes), Vitória,
Leia maisInfluência do Tamanho Amostral no Planejamento Econômico para Controle On-Line de Processo por Atributo com Erros de.
Influência do Tamanho Amostral no Planejamento Econômico para Controle On-Line de Processo por Atributo com Erros de 1. Introdução: Classificação Lupércio França Bessegato 1 Roberto da Costa Quinino 2
Leia maisAplicação de Algoritmos Genéticos na determinação de estruturas de um modelo polinomial NARMAX
Universidade Federal de São João Del-Rei MG 26 a 28 de maio de 2010 Associação Brasileira de Métodos Computacionais em Engenharia Aplicação de Algoritmos Genéticos na determinação de estruturas de um modelo
Leia maisArquitetura de Computadores Paralelos. Introdução Conceitos Básicos Ambientes de Programação Modelos de Programação Paralela
Arquitetura de Computadores Paralelos Introdução Conceitos Básicos Ambientes de Programação Modelos de Programação Paralela Por que estudar Computação Paralela e Distribuída? Os computadores sequenciais
Leia maisTeoria da Decisão. Introdução. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução 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 Apresentação Sumário
Leia maisUM MODELO DE PROGRAMAÇÃO INTEIRA MISTA PARA A PROGRAMAÇÃO DA PRODUÇÃO EM FLOWSHOP HÍBRIDO COM BUFFERS LIMITADOS
UM MODELO DE PROGRAMAÇÃO INTEIRA MISTA PARA A PROGRAMAÇÃO DA PRODUÇÃO EM FLOWSHOP HÍBRIDO COM BUFFERS LIMITADOS Pedro Luis Miranda Lugo Universidade Federal de São Carlos Departamento de Engenharia de
Leia maisImplementação de um escalonador de processos em GPU
Implementação de um escalonador de processos em GPU Guilherme Martins guilhermemartins@usp.br 6 de abril de 2017 Guilherme Martins (guilhermemartins@usp.br) Implementação de um escalonador de processos
Leia maisUm Protótipo Para Visualização Científica Remota com o Cluster GradeBR/UFAL
Um Protótipo Para Visualização Científica Remota com o Cluster GradeBR/UFAL Marco Antonio de A. Silva 1,2, Baltazar T. Vanderlei 1,3, Leonardo P. Viana 1,2,3 1 Instituto de Computação IC 2 Centro de Pesquisa
Leia maisINE 5645 PROGRAMAÇÃO PARALELA E DISTRIBUIDA PROVA 2 03/07/2017 ALUNO
INE 5645 PROGRAMAÇÃO PARALELA E DISTRIBUIDA PROVA 2 03/07/2017 ALUNO 1. Sockets - Indicar (Verdade/Falso): (a) (Verdade/Falso) A comunicação entre processos consiste em transmitir uma mensagem entre o
Leia maisParadigmas de Computação
UCE- Computação Paralela e Distribuída Paradigmas de Computação João Luís Ferreira Sobral www.di.uminho.pt/~jls jls@... http://alba.di.uminho.pt/... 1 Paradigmas de Computação paralela Resultados da Aprendizagem
Leia maisARQUITETURA DE COMPUTADORES. Professor: Clayton Rodrigues da Siva
ARQUITETURA DE COMPUTADORES Professor: Clayton Rodrigues da Siva OBJETIVO DA AULA Objetivo: Conhecer a estrutura da arquitetura da Máquina de Von Neumann. Saber quais as funcionalidades de cada componente
Leia maisPROCESSADORES Unidade de Controle Unidade Aritmética e Lógica efetua memória de alta velocidade registradores Program Counter Instruction Register
PROCESSADORES Um computador digital consiste em um sistema interconectado de processadores, memória e dispositivos de entrada e saída. A CPU é o cérebro do computador. Sua função é executar programas armazenados
Leia maisADMin: Adaptive monitoring dissemination for the Internet of Things
ADMin: Adaptive monitoring dissemination for the Internet of Things Demetris Trihinas, George Pallis, Marios D. Dikaiakos IEEE International Conference on Computer Communications - INFOCOM 2017 Programa
Leia maisCURSO DE MESTRADO EM Construções Metálicas
CURSO DE MESTRADO EM Construções Metálicas DEPARTAMENTO DE ENGENHARIA CIVIL - ESCOLA DE MINAS UNIVERSIDADE FEDERAL DE OURO PRETO Disciplina: Otimização Estrutural I Carga Horária: 45 Código: CIV 733 Responsável:
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisAnálise de Desempenho da Paralelização do Problema de Caixeiro Viajante
Análise de Desempenho da Paralelização do Problema de Caixeiro Viajante Gabriel Freytag Guilherme Arruda Rogério S. M. Martins Edson L. Padoin Universidade Regional do Noroeste do Estado do Rio Grande
Leia maisResumo. Palavras-chave. Concreto Armado; Pórtico Plano; Dimensionamento; Otimização. Introdução
Procedimento Numérico para Busca do Dimensionamento Otimizado de Pórticos Planos de Concreto Armado Wilson T. Rosa Filho 1, Maria Cecilia A. Teixeira da Silva 2, Francisco A. Menezes 3 1 Universidade Estadual
Leia maisAutor 1 Orientador: 1. dia de mês de ano
Título Autor 1 Orientador: 1 1 Laboratório de Sistemas de Computação Universidade Federal de Santa Maria dia de mês de ano Roteiro Introdução Fundamentação Desenvolvimento Resultados Conclusão e Trabalhos
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Dentre a grande variedade de sistemas que podem ser modelados e para os quais a simulação pode ser aplicada com proveito, uma classe
Leia maisPROGRAMAÇÃO DA PRODUÇÃO FLOW SHOP PERMUTACIONAL COM MINIMIZAÇÃO DO TEMPO MÉDIO DE FLUXO
PROGRAMAÇÃO DA PRODUÇÃO FLOW SHOP PERMUTACIONAL COM MINIMIZAÇÃO DO TEMPO MÉDIO DE FLUXO Marcelo Seido Nagano Faculdade de Economia, Administração e Contabilidade, Universidade de São Paulo Av. dos Bandeirantes,
Leia maisIMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Leia maisEstudo analítico e numérico do espalhamento acústico
Universidade Federal de São João Del-Rei MG 26 a 28 de maio de 21 Associação Brasileira de Métodos Computacionais em Engenharia Estudo analítico e numérico do espalhamento acústico M.E. Maria 1 ; E.N.M.
Leia maisOrganização e Arquitetura de Computadores I
Universidade Federal de Campina Grande Centro de Engenharia Elétrica e Informática Unidade Acadêmica de Sistemas e Computação Curso de Bacharelado em Ciência da Computação Organização e Arquitetura de
Leia maisEvolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório
https://eventos.utfpr.edu.br//sicite/sicite2017/index Evolução Diferencial Aplicada na Estimação de Parâmetros de um Sistema Oscilatório RESUMO Iolanda Ortiz Bernardes ibernardes@alunos.utfpr.edu.br Estudante
Leia maisComunicação Científica I
Faculdade de Engenharia da Universidade do Porto Programa Doutoral em Engenharia Biomédica 2008/2009 Disciplina: Comunicação Científica I Relatório sobre as actividades de investigação, trabalhos e comunicações
Leia maisAVALIAÇÃO DO ENRIQUECIMENTO POLINOMIAL NO MÉTODO DOS ELEMENTOS FINITOS GENERALIZADOS EM ELEMENTOS TRIANGULARES
AVALIAÇÃO DO ENRIQUECIMENTO POLINOMIAL NO MÉTODO DOS ELEMENTOS FINITOS GENERALIZADOS EM ELEMENTOS TRIANGULARES Neimar A. da Silveira Filho niemarsilveira@ufmg.br Thaiane Simonetti de Oliveira thaianesimo@gmail.com
Leia maisProcessamento de Sinais e Imagem
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Projecto de filtros Processamento
Leia maisParalelização do Método de Jacobi em Memória Compartilhada 1
Paralelização do Método de Jacobi em Memória Compartilhada 1 Claudio Schepke cschepke@inf.ufrgs.br 1 PPGC - Instituto de Informática - UFRGS Introdução ao Processamento Paralelo e Distribuído Professor
Leia maisXLVII SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL
META-HEURÍSTICA SIMULATED ANNEALING APLICADA AO PROBLEMA DE CORTE BIDIMENSIONAL NÃO-GUILHOTINADO Gelinton Pablo Mariano Mestrando em Informática - Universidade Federal do Espírito Santo Av. Fernando Ferrari,
Leia maisHardware: Componentes Básicos. Sistema de Computador Pessoal. Anatomia de um Teclado. Estrutura do Computador. Arquitetura e Organização
Hardware: Componentes Básicos Arquitetura dos Computadores Dispositivos de Entrada Processamento Dispositivos de Saída Armazenamento Marco Antonio Montebello Júnior marco.antonio@aes.edu.br Sistema de
Leia maisArquitetura de Computadores. Processamento Paralelo
Arquitetura de Computadores Processamento Paralelo 1 Multiprogramação e Multiprocessamento Múltiplas organizações de computadores Single instruction, single data stream - SISD Single instruction, multiple
Leia maisCOMPUTAÇÃO PARALELA APLICADA À ESTIMAÇÃO BI-OBJETIVO DE PARÂMETROS DE MODELOS NARX POLINOMIAIS.
COMPUTAÇÃO PARALELA APLICADA À ESTIMAÇÃO BI-OBJETIVO DE PARÂMETROS DE MODELOS NARX POLINOMIAIS. JIM JONES DA SILVEIRA MARCIANO COMPUTAÇÃO PARALELA APLICADA À ESTIMAÇÃO BI-OBJETIVO DE PARÂMETROS DE MODELOS
Leia maisOrganização de Computadores Sistema de entrada e saída (I/O) e computação paralela. Professor: Francisco Ary
Organização de Computadores Sistema de entrada e saída (I/O) e computação paralela Professor: Francisco Ary Computação Paralela Capacidade de um sistema computacional ser executado de forma simultânea,
Leia maisCaracterização de Sistemas Distribuídos
Caracterização de Sistemas Distribuídos Roteiro Conceitos de Hardware Conceitos de Software Classificação de Flynn Classificação baseada no acesso a memória 2 Conceitos de HW Múltiplas CPUs Diferentes
Leia maisUtilização de Times Assíncronos na Solução do Problema de Cobertura de Conjuntos
Utilização de Times Assíncronos na do Problema de Cobertura de Conjuntos Edison L. Bonotto 1, Marcelo Lisboa Rocha 2. 1 Programa de Pós-graduação em Informática Universidade Federal da Paraíba (UFPB) 58059-900
Leia maisProgramação Linear: Profa. Silvana Bocanegra UFRPE - DEINFO
Programação Linear: Profa. Silvana Bocanegra UFRPE - DEINFO Tipos de Problemas 1. Dada uma variedade de alimentos, escolher uma dieta de menor custo que atenda as necessidades nutricionais de um indivíduo?
Leia mais5 Ambiente Experimental
5 Ambiente Experimental Nesse capítulo serão apresentadas as principais informações sobre o ambiente usado nos experimentos. Além de explicar como foi construída a base de dados, também será detalhado
Leia maisCURVAS LIMITES DE RESISTÊNCIA PARA AVALIAÇÃO DA INTEGRIDADE ESTRUTURAL DE CHAPAS PLANAS COM COMPORTAMENTO ANISOTRÓPICO
CURVAS LIMITES DE RESISTÊNCIA PARA AVALIAÇÃO DA INTEGRIDADE ESTRUTURAL DE CHAPAS PLANAS COM COMPORTAMENTO ANISOTRÓPICO José Célio Dias Prof. Titular, Escola Federal de Engenharia de Itajubá CP 5 CEP 375-93
Leia maisEscalonamento Multidimensional: uma Abordagem Discreta
September 24-28, 212 Escalonamento Multidimensional: uma Abordagem Discreta Ana Camila R. Alonso Silvia M. S. Carvalho Departamento de Matemática Aplicada - IMECC-UNICAMP 1383-859, Campinas, SP E-mail:acamila@ime.unicamp.br
Leia maisPlanejamento para fundições: uma aplicação do método das K-melhores mochilas. 1 Introdução
Planejamento para fundições: uma aplicação do método das K-melhores mochilas Murilo S. Pinheiro, Franklina M.B. Toledo, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, Av.
Leia maisProgramação Distribuída e Paralela. Jorge Barbosa
Programação Distribuída e Paralela Jorge Barbosa 1 Máquinas Paralelas Processadores Memória Rede de interligação Classificação das máquinas paralelas 2 Processador Escalar Processadores Processador que
Leia maisSparse Matrix-Vector Multiplication on GPU: When Is Rows Reordering Worthwhile?
Sparse Matrix-Vector Multiplication on GPU: When Is Rows Reordering Worthwhile? Paula Prata João Muranho Instituto de Telecomunicações Departamento de Informática Universidade da Beira Interior Instituto
Leia maisRio de Janeiro- Brasil, 05 e 06 de agosto de 2009. ISSN 2175-6295 SPOLM 2009
ISSN 175-695 Rio de Janeiro- Brasil, 05 e 06 de agosto de 009. SPOLM 009 034/009 - HEURÍSTICA GRASP BI-OBJETIVO PARA O PROBLEMA DAS P-MEDIANAS NÃO CAPACITADO Paula Mariana dos Santos Departamento de Engenharia
Leia maisSistemas Computacionais e Hardware. Disciplina: Informática Prof. Higor Morais
Sistemas Computacionais e Hardware Disciplina: Informática Prof. Higor Morais 1 Agenda Sistema Computacional O Computador e seus componentes Hardware 2 Unidade de entrada Unidade de saída Unidade de Processamento
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia mais2. Metodologia. 3. O problema de otimização com vínculo
Método de Gradiente Conjugado na otimização de problemas modelados na catalização de polímeros Camila Becer Universidade de Santa Cruz do Sul UNISC Mestrado em Sistemas e Processos Industriais E-mail:
Leia maisAnálise Comparativa de Algoritmos NP-Completo Executados em CPU E GPU Utilizando CUDA
Computer on the Beach 2013 - Artigos Completos 79 Análise Comparativa de Algoritmos NP-Completo Executados em CPU E GPU Utilizando CUDA Elcio Arthur Cardoso, Rafael de Santiago Curso de Ciência da Computação
Leia maisPrograma Analítico de Disciplina ELT430 Modelagem e Identificação de Sistemas
0 Programa Analítico de Disciplina Departamento de Engenharia Elétrica - Centro de Ciências Exatas e Tecnológicas Número de créditos: Teóricas Práticas Total Duração em semanas: 15 Carga horária semanal
Leia maisAnálise de Correspondência em acessos de pimenta
Análise de Correspondência em acessos de pimenta Bruno Caetano Vidigal 1 Paulo Roberto Cecon 2. 1 Introdução A Análise de Correspondência (AC) é uma das diversas técnicas de análise multivariada desenvolvida
Leia mais1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
Leia maisPCS3616. Programação de Sistemas (Sistemas de Programação) Visão Geral
PCS3616 Programação de Sistemas (Sistemas de Programação) Visão Geral Escola Politécnica da Universidade de São Paulo Objetivos Familiarização com o funcionamento global de software de sistema computacional
Leia mais