Otimização Contínua e Discreta
|
|
- Vanessa Mota Figueiredo
- 8 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de São Carlos Departamento de Engenharia de Produção Otimização Contínua e Discreta PPGEP - Semestre 01/2015 Prof. Pedro Munari (munari@dep.ufscar.br)
2 Objetivos da aula de hoje Estudar o método Subgradiente e como aplicá-lo; Estudar aplicações da Relaxação Lagrangiana em problemas de otimização linear discreta, seus benefícios e suas particularidades.
3 Método de planos de corte (geração de restrições) Exercício: Resolva o problema de dimensionamento de lotes abaixo usando Relaxação Lagrangiana e o método de planos de corte. min 1.0x x x x x x I I I I 22 s.a 0.1x x x x x x x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 I 10 = 0, I 20 = 0 x 11, x 12,..., x 23 0 I 11, I 12,..., I 23 0
4 Método de planos de corte (geração de restrições) Exercício Após aplicar relaxação Lagrangiana: max 240p p p3+ p 1,p 2,p min ( p 1)x 11 + ( p 2)x 12 +( p 3)x I I 12 s.a x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 I 10 = 0 x 11, x 12, x 13 0 I 11, I 12, I min ( p 1)x 21 + ( p 2)x 22 +( p 3)x I I 22 s.a x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 I 20 = 0 x 21, x 22, x 23 0 I 21, I 22, I 23 0
5 Método de planos de corte (geração de restrições) Exercício: Iteração 0 Problema mestre relaxado inicial (PMR 0 ) max 240p p p 3 + v 1 + v p p p 3 0 v v p = (0, 0, 0); v = (10 4, 10 4 )
6 Método de planos de corte (geração de restrições) Exercício: Iteração 0 (SP 0 1 ) min ( p 1 )x11 + ( p 2 )x12 0.1p 3 )x I I12 +(2.0 s.a x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 I 10 = 0 x 11, x 12, x 13 0 I 11, I 12, I 13 0 x x 12 0 x 13 Ī = , f1 = 6750 < v 1 Ī Ī 13 0 Um novo corte deve ser inserido: (c 1 p T A 1 ) x1 v 1 Ī 1 c 1 x1 Ī 1 p T A 1 x1 Ī 1 v (p 1, p 2, p 3) 0 v1 0 v p
7 Método de planos de corte (geração de restrições) Exercício: Iteração 0 (SP 0 2 ) min 0.08p 2 )x22 +( p 3 )x I I22 ( p 1 )x21 + (0.5 s.a x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 I 20 = 0 x 21, x 22, x 23 0 I 21, I 22, I 23 0 x x x 23 Ī = , f2 = 1100 < v 2 Ī Ī 23 0 Um novo corte deve ser inserido: (c 2 p T A 2 ) x2 v 2 Ī 2 c 2 x2 Ī 2 p T A 2 x2 Ī 2 v (p 1, p 2, p 3) 112 v2 0 v2 + 32p p
8 Método de planos de corte (geração de restrições) Exercício: Iteração 1 Problema mestre relaxado (PMR 1 ) max 240p p p 3 + v 1 + v 2 v p v2 + 32p p p p p 3 0 v v p = ( , 0, 0); v = (10 4, ); g =
9 Método de planos de corte (geração de restrições) Exercício: Iteração 1 (SP 1 1 ) min ( )x11 + ( p 2 )x12 +( p 3 )x I I12 s.a x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 I 10 = 0 x 11, x 12, x 13 0 I 11, I 12, I 13 0 x 11 x 12 x 13 Ī = 11 Ī 12 Ī , f1 = < v Um novo corte deve ser inserido: (c 1 p T A 1 ) x1 v 1 Ī (p 1, p 2, p 3) 360 v1 0 v1 + 90p p
10 Método de planos de corte (geração de restrições) Exercício: Iteração 1 (SP 1 2 ) min ( )x21 + ( p 2 )x22 +( p 3 )x I I22 s.a x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 I 20 = 0 x 21, x 22, x 23 0 I 21, I 22, I 23 0 v 2 está bem estimado! Nenhum corte será inserido. x 21 x 22 x 23 Ī 21 Ī 22 Ī 23 = , f2 = 1332 > v 2
11 Método de planos de corte (geração de restrições) Exercício: Iteração 2 Problema mestre relaxado (PMR 2 ) max 240p p p 3 + v 1 + v 2 v p v2 + 32p p v1 + 90p p p p p 3 0 v v p = ( , , 0); v = (10 4, 2140); g =
12 Método de planos de corte (geração de restrições) Exercício: Iteração 2 (SP 2 1 ) min ( )x11 + ( )x12 +( p 3 )x I I12 s.a x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 I 10 = 0 x 11, x 12, x 13 0 I 11, I 12, I 13 0 x x 12 0 x 13 Ī = , f1 = < v 1 Ī 12 0 Ī 13 0 Um novo corte deve ser inserido: (c 1 p T A 1 ) x1 v 1 Ī (p 1, p 2, p 3) 0 v1 180 v p p
13 Método de planos de corte (geração de restrições) Exercício: Iteração 2 (SP 2 2 ) min ( )x21 + ( )x22 +( p 3 )x I I22 s.a x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 I 20 = 0 x 21, x 22, x 23 0 I 21, I 22, I 23 0 x x x 23 Ī = , f2 = 1800 < v 2 Ī 22 0 Ī 23 0 Um novo corte deve ser inserido: (c 2 p T A 2 ) x2 v 2 Ī (p 1, p 2, p 3) 48 v2 64 v2 + 32p p p
14 Método de planos de corte (geração de restrições) Exercício: Iteração 3 Problema mestre relaxado (PMR 3 ) max 240p p p 3 + v 1 + v 2 v p v2 + 32p p v1 + 90p p v p p v2 + 32p p p p p p 3 0 v v p = ( 1.875, 1.875, 0); v = ( , 1370); g =
15 Método de planos de corte (geração de restrições) Exercício: Iteração 3 (SP 3 1 ) min ( )x11 + ( )x12 +( p 3 )x I I12 s.a x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 I 10 = 0 x 11, x 12, x 13 0 I 11, I 12, I 13 0 O limitante está bem estimado! Nenhum corte a inserir. x 11 x 12 x 13 Ī 11 Ī 12 Ī 13 = , f1 = = v 1
16 Método de planos de corte (geração de restrições) Exercício: Iteração 3 (SP 3 2 ) min ( )x21 + ( )x22 +( p 3 )x I I22 s.a x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 I 20 = 0 x 21, x 22, x 23 0 I 21, I 22, I 23 0 x 21 x 22 x 23 Ī = 21 Ī 22 Ī , f2 = 1370 = v O limitante está bem estimado! Nenhum corte a inserir. Solução ótima encontrada!
17 Método Subgradiente A otimização de funções contínuas e diferenciáveis pode ser feita usando-se o método gradiente; Dado uma função diferenciável g e um dado ponto p em seu domínio, o gradiente g(p) aponta para a direção de crescimento da função a partir do ponto p; Dado um ponto inicial p 0, o método gradiente calcula uma sequência de iterações p i+1 = p i + α i g(p i ), i = 0, 1, 2,... até que g(p i ) = 0 para algum i; Quando a função não é diferenciável, não é possível calcular o gradiente em todos os seus pontos e, assim, recorremos a um subgradiente.
18 Método Subgradiente Seja g : R m R uma função côncava; Um subgradiente de g no ponto p é qualquer vetor s R m que satisfaz g(p) g( p) + s T (p p), p R m. O método subgradiente é comumente usado para encontrar o ótimo de funções côncavas lineares por partes; Em geral, resolve problemas do tipo: { } max g(p) = min p R m t=1,...,t {ht p γ t }. sendo h t p = γ t, t = 1,..., T, um conjunto de T hiperplanos conhecidos. Nesses casos, o vetor h t é um subgradiente.
19 Método Subgradiente
20 Método Subgradiente
21 Método Subgradiente
22 Método Subgradiente
23 Método Subgradiente
24 Método Subgradiente
25 Método Subgradiente Seja g : R m R uma função côncava; Um subgradiente de g no ponto p é qualquer vetor s( p) R m que satisfaz g(p) g( p) + s( p) T (p p), p R m. É método subgradiente é comumente usado encontrar o ótimo de funções côncavas lineares por partes. Em geral, resolve problemas do tipo: { } max g(p) = min p R m t=1,...,t {ht p γ t }. sendo h t p = γ t, t = 1,..., T, um conjunto de T hiperplanos conhecidos. Nesses casos, o vetor h t é um subgradiente.
26 Método Subgradiente Em relaxação Lagrangiana, queremos resolver: max g(p) = min p Rm x 0 c 1 x c K x K + p T (b A 1 x 1... A K x K ) s.t. D 1 x 1 = d 1 D 2 x 2 = d D K x K = d K Usando a notação X k = {x k D k x k = d k, 0 x k u k }, reescrevemos: max g(p) p R m = min c 1 x c K x K + p T (b A 1 x 1... A K x K ) x k X k k=1,...,k
27 Método Subgradiente Substituindo em x k todos os pontos extremos de X k, os quais são denotados por x k q, q Qk, obtemos: max g(p) p R m = min q Q k k=1,...,k c 1 x 1 q ck x K q + pt (b A 1 x 1 q... AK x K q ) Assim, temos uma função côncava linear por partes, do tipo: { } max g(p) = min p R m t=1,...,t {ht p γ t }, com h t = (b A 1 x 1 q... A K x K q ) e γ t = c 1 x 1 q c K x K q. Logo, podemos aplicar o método subgradiente, usando como subgradiente: s = (b A 1 x 1 q... AK x K q ).
28 Método Subgradiente Como não é viável calcular todos os pontos extremos de cada X k a priori, fazemos isso de forma iterativa; Para um dado vetor de multiplicadores p, cada subproblema de minimização é resolvido independentemente, como visto antes: g( p) = min c 1 x c K x K + p T (b A 1 x 1... A K x K ) x k X k k=1,...,k K = p T b + min p T A k )x k x k=1 X k(ck Então, os pontos extremos x k q obtidos como soluções dos subproblemas são usados para calcular o subgradiente: s = (b A 1 x 1 q... A K x K q ).
29 Método Subgradiente 1. Iniciando com um multiplicador p 0 e índice i = 0, fazemos: 2. Resolver cada subproblema min x k X k(ck p i A k )x k ; 3. Sejam x k q os pontos extremos obtidos como solução dos subproblemas; 4. Calcular o gradiente s i = (b A 1 x 1 q... A K x K q ); 5. Determinar um tamanho de passo α i > 0; 6. Obter um novo vetor de multiplicadores p i+1 = min{0, p i + α is i }; 7. Se o critério de parada não for satisfeito, incrementar i e voltar para o Passo 2.
30 Método Subgradiente Em geral, o método é muito sensível à escolha do tamanho de passo α i; Algumas regras: 1. α i = (δ) i α 0, para algum δ < 1; 2. α i = ε i (LS g(p i )) s i 2, com 0 < ε i < 2 e LS limitante superior para g(p ); Pode-se fazer ε i+1 = δ ε i quando g(p i+1 ) g(p i ), δ < Pode-se usar também um limitante inferior LI g(p ): α i = ε i (g(p i ) LI) s i 2.
31 Método Subgradiente Teorema [Wolsey (1998), p. 174] 1. Se i αi e αi 0 quando k, então g(pi ) g(p ), sendo g(p ) o valor ótimo do problema dual Lagrangiano; 2. Se α i = (δ) i α 0 para algum δ < 1, então g(p i ) g(p ) se α 0 e δ forem suficientemente grandes; 3. Se LI g(p (g(p i ) LI) ) e α i = ε i com 0 < ε s i 2 i < 2, então g(p i ) g(p ), ou o algoritmo encontra p i com LI g(p i ) g(p ). Ver também: 1. Held et al., Validation of subgradient optimization, Math Progr, 1974; 2. Bazaraa and Sherali, On the choice of step size in subgradient optimization, EJOR, 1981.
32 Método Subgradiente Idealmente, o critério de parada deveria ser s t = 0 (condição necessária para ponto ótimo); Entretanto, esse critério é raramente atingido na prática e, assim, o algoritmo é terminado quando um número máximo de iterações é atingido ou quando a mudança no valor da função objetivo se torna muito pequena.
33 Método Subgradiente Exercício: Resolva o problema de dimensionamento de lotes abaixo usando Relaxação Lagrangiana e o método subgradiente. min 1.0x x x x x x I I I I 22 s.a 0.1x x x x x x x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 I 10 = 0, I 20 = 0 x 11, x 12,..., x 23 0 I 11, I 12,..., I 23 0
34 Método Subgradiente Após aplicar relaxação Lagrangiana: max 240p p p3+ p 1,p 2,p min ( p 1)x 11 + ( p 2)x 12 +( p 3)x I I 12 s.a x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 I 10 = 0 x 11, x 12, x 13 0 I 11, I 12, I min ( p 1)x 21 + ( p 2)x 22 +( p 3)x I I 22 s.a x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 I 20 = 0 x 21, x 22, x 23 0 I 21, I 22, I 23 0
35 Método Subgradiente Diferentemente do método de planos de corte, o método subgradiente é sem memória. Em planos de corte, as soluções dos subproblemas são mantidas na forma de restrições no problema mestre e, assim, não são esquecidas (nem recalculadas); Já no subgradiente, as soluções são usadas para calcular a direção apenas. Uma vez que o ponto foi atualizado, essa direção é esquecida. É comum ter-se um comportamento zig-zag como no método gradiente, em que os multiplicadores oscilam de um lado para o outro em iterações consecutivas, sem progredir com o valor da função objetivo; Esse comportamento é ainda pior no subgradiente, devido zerarmos as componentes que se tornam positivas; Vantagens do subgradiente: iterações rápidas; simples de implementar.
36 Problemas de otimização discretos Até o momento vimos a aplicação da Relaxação Lagrangiana a problemas de otimização contínua; Quais a principal vantagem nesse contexto? Permite explorar a estrutura do problema, reduzindo-o a problemas mais fáceis ; Nos últimos anos, com o avanço da computação e softwares de otimização, essa vantagem já não é tão significativa; Assim, a Relaxação Lagrangiana tem sua principal aplicação em problemas de otimização discreta.
37 Problemas de otimização discretos Principais motivos para seu sucesso em otimização discreta: Os subproblemas são tipicamente problemas de otimização combinatória e, assim, resolvê-los separadamente pode contribuir significativamente para a melhoria do desempenho; Além disso, esses subproblemas são geralmente problemas clássicos, como o problema da mochila, de caminho mínimo, etc. e, assim, podem ser usados algoritmos específicos para resolvê-los de forma mais eficiente; O problema dual Lagrangiano fornece um limitante inferior para o problema original (minimização) que, em muitas vezes, é bem melhor que aquele fornecido pela relaxação linear. Por que?
38 Relaxação Lagrangiana em Otimização Discreta min f(x) = c T x, s.t. Ax = b, (restrições de acoplamento) Dx = d, (estrutura em blocos) x Z n + D = D 1 D 2... D K
39 Relaxação Lagrangiana em Otimização Discreta min f(x) = c T x, s.t. Ax = b, (restrições de acoplamento) Dx = d, (estrutura em blocos) x Z n + D = D 1 D 2... D K
40 Relaxação Lagrangiana em Otimização Discreta min c 1 x 1 + c 2 x c K x K s.t. A 1 x 1 + A 2 x A K x K = b D 1 x 1 = d 1 D 2 x 2 = d D K x K = d K x Z n +
41 Relaxação Lagrangiana em Otimização Discreta Para um dado vetor de multiplicadores p R m : g(p) = min x Z n + c 1 x 1 + c 2 x c K x K + p T (b A 1 x 1 A 2 x 2... A K x K ) s.t. D 1 x 1 = d 1 D 2 x 2 = d D K x K = d K g(p) = min x Z n + p T b + (c 1 p T A 1 )x 1 + (c 2 p T A 2 )x (c K p T A K )x K s.t. D 1 x 1 = d 1 D 2 x 2 = d D K x K = d K
42 Relaxação Lagrangiana em Otimização Discreta g(p) = p T b + min x 1 Z n {(c 1 p T A 1 )x 1 D 1 x 1 = d 1 } + min x K Z n K + {(c K p T A K )x K D K x K = d K } = p T b + K k=1 min x k Z n k + Para todo p R m e x factível: g(p) f(x ); Em geral, g(p) f(x ) para todo p R n ; {(c k p T A k )x k D k x k = d k } Melhor limitante Problema Dual Lagrangiano: K max g(p) = max p Rm p R m pt b + min {(c k p T A k )x k D k x k = d k } k=1 x k Z n k +
43 Relaxação Lagrangiana em Otimização Contínua g(p) = p T b + min {(c 1 p T A 1 )x 1 D 1 x 1 = d 1 } x min {(c 2 p T A 2 )x 2 D 2 x 2 = d 2 } x min {(c K p T A K )x K D K x K = d K } x K 0 K = p T b + min {(c k p T A k )x k D k x k = d k } x k=1 0 Para todo p R m e x factível: g(p) f(x); Problema Dual Lagrangiano: { } K max g(p) = max p T b + min {(c k p T A k )x k D k x k = d k } p Rm p R m x k=1 k 0
44 Relaxação Lagrangiana em Otimização Contínua min f(x) = c T x, s.t. Ax = b, (restrições de acoplamento) Dx = d, (estrutura em blocos) x R n + D = D 1 D 2... D K
45 Problemas de otimização discretos Temos sempre min x k Z n k + {(c k p T A k )x k D k x k = d k } min {(c k p T A k )x k D k x k = d k }; x k 0 Assim, pelo domínio dos subproblemas, a Relaxação Lagrangiana mantém a integralidade das variáveis no caso discreto. A solução ótima de cada subproblema é inteira e, portanto, o limitante fornecido pelo problema dual Lagrangiano é melhor do que aquele obtido pela relaxação linear do problema original. E se o subproblema tiver a propriedade de integralidade? (i.e. a solução ótima da relaxação linear está em Z n k + ) R: Temos igualdade na relação acima :(
46 PDL com restrição de capacidade e tempo de preparação min s.a n T n T n T c it x it + h it I it + s i y it i=1 t=1 i=1 t=1 i=1 t=1 n (a i x it + st i y it ) b t, t = 1,..., T, i=1 x it + I i,t 1 = d it + I it, i = 1,..., n; t = 1,..., T, x it Cy it, i = 1,..., n; t = 1,..., T, I i0 = 0, i = 1,..., n, x it 0, I it 0, y it {0, 1} i = 1,..., n; t = 1,..., T.
47 PDL com restrição de capacidade e tempo de preparação Exemplo Uma indústria de refrigerantes produz dois tipos de bebidas, por meio de um único tanque. Para processar 1000 litros da bebida 1 são necessárias 100 horas do tanque, enquanto para 1000 litros da bebida 2, são necessárias 80 horas. A produção de uma bebida em um dado período requer a limpeza e resfriamento do tanque. Esse tempo é de 12 horas para a bebida 1 e 8 horas para a bebida 2. A disponibilidade do tanque para a fabricação destas bebidas nos próximos 3 meses é de 240, 320 e 200 horas. O departamento de vendas fez uma previsão de demanda para os próximos 3 meses. A demanda de cada bebida e os possíveis custos envolvidos são dados na tabela abaixo. Deseja-se determinar quanto produzir e estocar de cada bebida em cada período. Bebida 1 Bebida 2 Período Demanda (L) Custo prod (R$/L) Custo estoc (R$/L) Custo prep (R$)
48 PDL com restrição de capacidade e tempo de preparação Exemplo: formulação min 1.0x x x x x x I I I I y y y y y y 23 s.a 0.1x x y y x x y y x x y y x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 x y 11 x y 21 x y 12 x y 22 x y 13 x y 23 I 10 = 0, I 20 = 0 x 11, x 12,..., x 23 0 I 11, I 12,..., I 23 0 y 11, y 12,..., y 23 {0, 1}
49 PDL com restrição de capacidade e tempo de preparação Exemplo: formulação min 1.0x x x x x x I I I I y y y y y y 23 s.a 0.1x x y y (p 1) 0.1x x y y (p 2) 0.1x x y y (p 3) x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 x y 11 x y 21 x y 12 x y 22 x y 13 x y 23 I 10 = 0, I 20 = 0 x 11, x 12,..., x 23 0 I 11, I 12,..., I 23 0 y 11, y 12,..., y 23 {0, 1}
50 PDL com restrição de capacidade e tempo de preparação Exemplo: problema dual Lagrangiano max 240p p p3+ p 1,p 2,p min ( p 1)x 11 + ( p 2)x 12 +( p 3)x I I 12 +( p 1)y 11 + ( p 2)y 12 +( p 3)y 13 s.a x 11 + I 10 I 11 = 900 x 12 + I 11 I 12 = 1800 x 13 + I 12 I 13 = 1800 x y 11 x y 12 x y 13 I 10 = 0 x 11, x 12, x 13 0 I 11, I 12, I 13 0 y 11, y 12, y 13 {0, 1} + min ( p 1)x 21 + ( p 2)x 22 +( p 3)x I I 22 +( p 1)y 21 + ( p 2)y 22 +( p 3)y 23 s.a x 21 + I 20 I 21 = 400 x 22 + I 21 I 22 = 600 x 23 + I 22 I 23 = 800 x y 21 x y 22 x y 23 I 20 = 0 x 21, x 22, x 23 0 I 21, I 22, I 23 0 y 21, y 22, y 23 {0, 1}
51 Problemas de otimização discretos A aplicação dos métodos continua a mesma no caso discreto; Deve-se tomar cuidado apenas com a teoria do método de plano de cortes, pois a solução ótima dos subproblemas não é necessariamente um ponto extremo ou raio extremo!
52 Problemas de otimização discretos Método de planos de corte (geração de restrições) x x 1
53 Problemas de otimização discretos Método de planos de corte (geração de restrições) x x 1
54 Problemas de otimização discretos Método de planos de corte (geração de restrições) x x 1
55 Problemas de otimização discretos Método de planos de corte (geração de restrições) x x 1
56 Problemas de otimização discretos Método de planos de corte (geração de restrições) Problema Dual Lagrangiano: max g(p) = max p Rm p R m { p T b + } K min p T A k )x k D k x k = d k } x k X k{(ck k=1 com X k = {x k D k x k = d k, x k Z n k + }; Para formulá-lo como um problema de programação linear, precisamos eliminar as minimizações internas; Para um dado p R m, temos que o k-ésimo subproblema pode ou ter solução ótima ou ser ilimitado; Para continuarmos com o conceito de pontos e raios extremos, precisamos recorrer ao envoltório convexo C k dos pontos inteiros em X k, combinado com possíveis raios extremos do conjunto.
57 Aula 02: Programação linear Envoltório convexo x 1 x 3 x 2 x 3 x 7 x 5 x 4 x 6
58 Aula 02: Programação linear Envoltório convexo x 1 x 3 x 2 x 3 x 7 x 5 x 4 x 6
59 Aula 02: Programação linear Envoltório convexo x 1 x 3 x 2 x 3 x 7 x 5 x 4 x 6
60 Problemas de otimização discretos Método de planos de corte (geração de restrições) x x 1
61 Problemas de otimização discretos Método de planos de corte (geração de restrições) x x 1
62 Problemas de otimização discretos Método de planos de corte (geração de restrições) x x 1
63 Problemas de otimização discretos Método de planos de corte (geração de restrições) x x 1
64 Problemas de otimização discretos Método de planos de corte (geração de restrições) x x 1
65 Problemas de otimização discretos Método de planos de corte (geração de restrições) Assim, usando C k em vez de X k, sabemos que se o subproblema possui solução ótima, então existe um ponto extremo ótimo x k C k tal que: min p T A k )x k = (c k p T A k ) x k x k C k(ck = min p T A k ) x k q Q k(ck q sendo Q k o conjunto de todos os pontos extremos de C k ; Temos então: max min p T A k )x k = max min p T A k ) x k p R m x k C k(ck p R m q Q k(ck q = max p R m{vk v k (c k p T A k ) x k q }
66 Problemas de otimização discretos Método de planos de corte (geração de restrições) Caso o subproblema seja ilimitado, então existe um raio de descida: min p T A k )x k. x k C k(ck Como estamos interessados em limitantes, esse resultado é irrelevante e deve ser evitado impondo-se (c k p T A k ) x k r 0, r R k, sendo R k o conjunto de todos os raios extremos de C k.
67 Problemas de otimização discretos Método de planos de corte (geração de restrições) Logo, o problema Dual Lagrangiano se torna: max g(p) = p T b + p R m K k=1 v k s.a (c k p T A k ) x k q v k, k = 1,..., K, q Q k, (c k p T A k ) x k r 0, k = 1,..., K, r R k. sendo Q k e R k os conjuntos de todos os pontos extremos e raios extremos de C k, respectivamente. Dado o número imenso de pontos e raios extremos, precisamos recorrer ao Método de Planos de Corte.
68 Problemas de otimização discretos Mas algo precisa ficar bem claro no caso discreto: O valor ótimo do dual Lagrangiano é apenas um limitante inferior para o valor ótimo do problema original; O Teorema da dualidade forte não vale em otimização discreta; Assim, a Relaxação Lagrangiana e seus métodos (planos de corte, subgradiente) são usados para obter bons limitantes inferiores; Para garantir uma solução discreta, deve-se combinar com outros métodos: branch-and-bound, heurísticas,...
69 Problemas de otimização discretos Heurística Lagrangiana Usar as soluções dos subproblemas para tentar determinar uma solução factível do problema original; Por exemplo, em uma dada iteração do método subgradiente, a solução ótima de um dado subproblema provavelmente viola as restrições relaxadas (penalizadas); Assim, são feitas tentativas de se factibilizar essas soluções de modo a obter uma solução factível para o problema original.
70 Problemas de otimização discretos Heurística Lagrangiana European Journal of Operational Research 175 (2006) Production, Manufacturing and Logistics A Lagrangian-based heuristic for the capacitated lot-sizing problem in parallel machines Franklina Maria Bragion Toledo a, Vinícius Amaral Armentano b, * a Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, Caixa Postal 668, São Carlos SP, CEP , Brazil b Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas, Caixa Postal 6101, Campinas SP, CEP , Brazil Received 13 April 1999; accepted 17 June 2005 Available online 31 August Abstract This paper addresses the capacitated lot-sizing problem involving the production of multiple items on unrelated parallel machines. A production plan should be determined in order to meet the forecast demand for the items, without exceeding the capacity of the machines and minimize the sum of production, setup and inventory costs. A heuristic based on the Lagrangian relaxation of the capacity constraints and subgradient optimization is proposed. Initially, the heuristic is tested on instances of the single machine problem and results are compared with heuristics from the literature. For parallel machines and small problems the heuristic performance is tested against optimal solutions, and for larger problems it is compared with the lower bound provided by the Lagrangian relaxation. Ó 2005 Elsevier B.V. All rights reserved.
71 Problemas de otimização discretos Heurística Lagrangiana 2. Problem formulation In order to state the problem mathematically, let sij setup cost of item i on machine j; cij unit production cost of item i on machine j; h i unit inventory cost of item i; d it demand of item i in period t; b ij time to produce one unit of item i on machine j; fij setup time of item i on machine j; Cj capacity of machine j (in units of time); xijt amount of item i produced on machine j in period t (a decision variable); yijt a binary variable which assumes value 1 if item i is produced on machine j in period t and 0, otherwise (a decision variable); I it inventory of item i at the end of period t (a decision variable); M an upper bound on x ijt. The CLSPP can be formulated as the following mixed integer programming model. Minimize XT t¼1 subject to Xm j¼1 X n i¼1 X m j¼1 X n i¼1 ðsijy ijt þ cijxijtþ þ XT t¼1 X n i¼1 hii it xijt þ I i;t 1 I it ¼ dit i ¼ 1;... ; n; t ¼ 1;... ; T ; ð1þ ðbijxijt þ fijy ijt Þ 6 Cj j ¼ 1;... ; m; t ¼ 1;... ; T ; ð2þ xijt 6 My ijt i ¼ 1;... ; n; j ¼ 1;... ; m; t ¼ 1;... ; T ; ð3þ y ijt 2 f0; 1g; xijt P 0; I it P 0 i ¼ 1;... ; n; j ¼ 1;... ; m; t ¼ 1;... ; T. ð4þ The objective function expresses the sum of setup, production and inventory costs. Constraints (1) represent the inventory balance equations. Constraints (2) indicate that the amount of capacity used for production is limited. Constraints (3) ensure the incidence of a setup cost and a setup time when xijt is positive. Backlogging is not allowed as indicated by the nonnegative restriction on I it in (4).
72 Problemas de otimização discretos Heurística Lagrangiana ARTICLE IN PRESS Int. J. Production Economics 119 (2009) Contents lists available at ScienceDirect Int. J. Production Economics journal homepage: A Lagrangian relaxation approach to a coupled lot-sizing and cutting stock problem M.C.N. Gramani a,, P.M. Franc-a b, M.N. Arenales c a Faculdade IBMEC-SP, R. Quatá, 300 Vila Olímpia , São Paulo, Brazil b FCT, Universidade Estadual Paulista - UNESP, Brazil c ICMC, Universidade de São Paulo - USP, Brazil a r t i c l e i n f o Article history: Received 17 July 2008 Accepted 27 February 2009 Available online 18 March 2009 Keywords: Lot-sizing Cutting stock Production planning Mixed-integer programming Lagrangian relaxation a b s t r a c t Industrial production processes involving both lot-sizing and cutting stock problems are common in many industrial settings. However, they are usually treated in a separate way, which could lead to costly production plans. In this paper, a coupled mathematical model is formulated and a heuristic method based on Lagrangian relaxation is proposed. Computational results prove its effectiveness. & 2009 Elsevier B.V. All rights reserved.
73 Problemas de otimização discretos Heurística Lagrangiana ARTICLE IN PRESS M.C.N. Gramani et al. / Int. J. Production Economics 119 (2009) cp: unit cost of the plate to be cut; cit: unit production cost of final product i in period t; h it: unit inventory cost of final product i in period t; s it: setup cost of final product i in period t; L W: length and width of the plate; l p w p: length and width of the part of type p. Variables: xit: number of final products i to be manufactured in period t; I it: number of final products i stocked at the end of period t; y jt: number of plates cut according to pattern j in period t; z it: binary variable: z it ¼ 1 if x it40; zero, otherwise. The mixed-integer mathematical model (LCP) can be written then as follows: Z ¼ Min XM i¼1 X T t¼1 ðc itx it þ h iti it þ s itz itþ þ XN j¼1 X T t¼1 cplwy jt s:t: x it þ I i;t 1 I it ¼ d it; i ¼ 1;... ; M; t ¼ 1;... ; T (7) (6) The following constraints should be considered. Inventory balance of final products: x it þ I i;t 1 I it ¼ d it; i ¼ 1;... ; M; t ¼ 1;... ; T (1) These constraints assure that the demand of final product i in period t (dit) is met without delay, i.e., IitX0, i ¼ 1,y,M; t ¼ 1,y,T. Without loss of generality, the initial inventory can be considered zero. Note that in this paper, the storage costs for the parts are not considered. Having in mind that the most important parcel of the storage cost is the alternate use of the immobilized capital incorporated in final products, the storage cost for the parts is implicitly considered in the final product holding cost. Parts demand: X N j¼1 a pjy jt X XM r pix it; p ¼ 1;... ; P; t ¼ 1;... ; T (2) i¼1 The left hand side is the number of type p parts cut which has to be greater than or equal to the number of X N j¼1 X M i¼1 a pjy jt X XM r pix it; p ¼ 1;... ; P; t ¼ 1;... ; T (8) i¼1 v ix itpbt; t ¼ 1;... ; T (9) x itpqz it; i ¼ 1;... ; M; t ¼ 1;... ; T (10) x it; I itx0; z it 2 f0; 1g; i ¼ 1;... ; M; t ¼ 1;... ; T (11) y jt X0; j ¼ 1;... ; N; t ¼ 1;... ; T (12) The integer condition on decision variables xit, Iit, and yjt can be relaxed if demands are high, but two difficulties still remain: the enormous quantity of cutting patterns (apj) that could be generated and the presence of 0 1 setup variables. Note that constraints (8) are those that couple decisions of lot-sizing and cutting. Next, we give two approaches to heuristically solve problem (6) (12).
MINIMIZANDO O NÚMERO DE DIFERENTES PADRÕES DE CORTE - UMA ABORDAGEM DE CAMINHO MÍNIMO
A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN MINIMIZANDO O NÚMERO DE DIFERENTES PADRÕES DE CORTE - UMA ABORDAGEM DE CAMINHO MÍNIMO Maria Cristina N. Gramani Universidade
Leia maisDificuldades de Modelos de PNL. Onde está a solução ótima? Outro exemplo: Condição ótima Local vs. Global. 15.053 Quinta-feira, 25 de abril
15.053 Quinta-feira, 25 de abril Teoria de Programação Não-Linear Programação Separável Dificuldades de Modelos de PNL Programa Linear: Apostilas: Notas de Aula Programas Não-Lineares 1 2 Análise gráfica
Leia maisUma Heurística para o Problema de Redução de Padrões de Corte
Uma Heurística para o Problema de Redução de Padrões de Corte Marcelo Saraiva Limeira INPE/LAC e-mail: marcelo@lac.inpe.br Horacio Hideki Yanasse INPE/LAC e-mail: horacio@lac.inpe.br Resumo Propõe-se um
Leia maisAlém de minimizar o número de objetos processados, problema de corte unidimensional
imização do número de objetos processados e do setup no problema de corte unidimensional Márcia Ap. Gomes-Ruggiero, Antonio Carlos Moretti, Momoe Sakamori Depto de Matemática Aplicada, DMA, IMECC, UNICAMP,
Leia maisNotas de aula número 1: Otimização *
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL UFRGS DEPARTAMENTO DE ECONOMIA CURSO DE CIÊNCIAS ECONÔMICAS DISCIPLINA: TEORIA MICROECONÔMICA II Primeiro Semestre/2001 Professor: Sabino da Silva Porto Júnior
Leia maisPROBLEMA DE TRANSPORTE: MODELO E MÉTODO DE SOLUÇÃO
PROBLEMA DE TRANSPORTE: MODELO E MÉTODO DE SOLUÇÃO Luciano Pereira Magalhães - 8º - noite lpmag@hotmail.com Orientador: Prof Gustavo Campos Menezes Banca Examinadora: Prof Reinaldo Sá Fortes, Prof Eduardo
Leia maisXLVII SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL
UM MODELO DE PLANEJAMENTO DA PRODUÇÃO CONSIDERANDO FAMÍLIAS DE ITENS E MÚLTIPLOS RECURSOS UTILIZANDO UMA ADAPTAÇÃO DO MODELO DE TRANSPORTE Debora Jaensch Programa de Pós-Graduação em Engenharia de Produção
Leia maisA UTILIZAÇÃO ADEQUADA DO PLANEJAMENTO E CONTROLE DA PRODUÇÃO (PCP), EM UMA INDÚSTRIA.
A UTILIZAÇÃO ADEQUADA DO PLANEJAMENTO E CONTROLE DA PRODUÇÃO (PCP), EM UMA INDÚSTRIA. KAIHATU, Rodrigo. Discente da Faculdade de Ciências Jurídicas e Gerenciais/ACEG E-mail: rodrigo.hiroshi@hotmail.com
Leia maisx0 = 1 x n = 3x n 1 x k x k 1 Quantas são as sequências com n letras, cada uma igual a a, b ou c, de modo que não há duas letras a seguidas?
Recorrências Muitas vezes não é possível resolver problemas de contagem diretamente combinando os princípios aditivo e multiplicativo. Para resolver esses problemas recorremos a outros recursos: as recursões
Leia maisPor que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,...
Por que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,... 0) O que veremos na aula de hoje? Um fato interessante Produtos notáveis Equação do 2º grau Como fazer a questão 5 da 3ª
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisÁrvores Binárias de Busca
Árvores Binárias de Busca Uma Árvore Binária de Busca T (ABB) ou Árvore Binária de Pesquisa é tal que ou T = 0 e a árvore é dita vazia ou seu nó contém uma chave e: 1. Todas as chaves da sub-árvore esquerda
Leia maisAnálise da sensibilidade
Análise da Sensibilidade Bertolo, L.A. UNIUBE Análise da sensibilidade Em todos os modelos de programação linear, os coeficientes da função objetivo e das restrições são considerados como entrada de dados
Leia maisLista 2 - Modelos determinísticos
EA044 - Planejamento e Análise de Sistemas de Produção Lista 2 - Modelos determinísticos Exercício 1 A Companhia Ferroviária do Brasil (CFB) está planejando a alocação de vagões a 5 regiões do país para
Leia maisOTIMIZAÇÃO VETORIAL. Formulação do Problema
OTIMIZAÇÃO VETORIAL Formulação do Problema Otimização Multiobjetivo (também chamada otimização multicritério ou otimização vetorial) pode ser definida como o problema de encontrar: um vetor de variáveis
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisInstituto de Computação
Instituto de Computação Universidade Estadual de Campinas MO824 - Programação Inteira e Combinatória Geração de Colunas para o Problema de Corte e Empacotamento Bidimensional em Faixas Fabricio Olivetti
Leia maisAs fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia. Introdução O Cálculo Numérico
Leia mais5COP096 TeoriadaComputação
Sylvio 1 Barbon Jr barbon@uel.br 5COP096 TeoriadaComputação Aula 14 Prof. Dr. Sylvio Barbon Junior Sumário - Problemas Exponenciais - Algoritmos Exponenciais usando Tentativa e Erro - Heurísticas para
Leia maisPESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 *
PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR 1 Graduando Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 * 2 Pesquisador - Orientador 3 Curso de Matemática, Unidade Universitária
Leia maisMétodo Simplex - Exemplos. Iteração 1 - variáveis básicas: y 1, y 2, y 3. Exemplo 1. Facom - UFMS. Exemplo. Edna A. Hoshino.
Tópicos Método Simplex - s Edna A. Hoshino 1 Facom - UFMS março de 2010 E. Hoshino (Facom-UFMS) Simplex março de 2010 1 / 21 E. Hoshino (Facom-UFMS) Simplex março de 2010 2 / 21 1 Iteração 1 - variáveis
Leia maisMétodo Simplex - Variantes V 1.1, V.Lobo, EN / ISEGI, 2008
Revisões Variantes sobre o método Simplex: Método do grande M Simplex básico Solução óptima multipla Em simplex: valores 0 na função custo Solução degenerada Em simplex: empates na variável a sair, variáveis
Leia maisHEURÍSTICAS RELAX-AND-FIX PARA O PROBLEMA DE DIMENSIONAMENTO DE LOTES COM JANELAS DE TEMPO DE PRODUÇÃO
HEURÍSTICAS RELAX-AND-FIX PARA O PROBLEMA DE DIMENSIONAMENTO DE LOTES COM JANELAS DE TEMPO DE PRODUÇÃO Lívia Chierice Corrêa Moraes Maristela Oliveira Santos Universidade de São Paulo - Instituto de Ciências
Leia maisVariantes sobre o método Simplex: Método do grande M
Variantes sobre o método Simplex: Método do grande M Revisões Simplex básico Solução óptima multipla Em simplex: valores 0 na função custo Solução degenerada Em simplex: empates na variável a sair, variáveis
Leia maisInvestigação Operacional- 2009/10 - Programas Lineares 3 PROGRAMAS LINEARES
Investigação Operacional- 2009/10 - Programas Lineares 3 PROGRAMAS LINEARES Formulação A programação linear lida com problemas nos quais uma função objectivo linear deve ser optimizada (maximizada ou minimizada)
Leia maiscomputador-cálculo numérico perfeita. As fases na resolução de um problema real podem, de modo geral, ser colocadas na seguinte ordem:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisTécnicas para Programação Inteira e Aplicações em Problemas de Roteamento de Veículos 14
1 Introdução O termo "roteamento de veículos" está relacionado a um grande conjunto de problemas de fundamental importância para a área de logística de transportes, em especial no que diz respeito ao uso
Leia mais5 Equacionando os problemas
A UA UL LA Equacionando os problemas Introdução Nossa aula começará com um quebra- cabeça de mesa de bar - para você tentar resolver agora. Observe esta figura feita com palitos de fósforo. Mova de lugar
Leia maisResolução da Lista 2 - Modelos determinísticos
EA044 - Planejamento e Análise de Sistemas de Produção Resolução da Lista 2 - Modelos determinísticos Exercício 1 a) x ij são as variáveis de decisão apropriadas para o problemas pois devemos indicar quantos
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas CMP1132 Processo e qualidade de software II Prof. Me. Elias Ferreira Sala: 402 E Quarta-Feira:
Leia maisIvan Guilhon Mitoso Rocha. As grandezas fundamentais que serão adotadas por nós daqui em frente:
Rumo ao ITA Física Análise Dimensional Ivan Guilhon Mitoso Rocha A análise dimensional é um assunto básico que estuda as grandezas físicas em geral, com respeito a suas unidades de medida. Como as grandezas
Leia maisA equação do 2º grau
A UA UL LA A equação do 2º grau Introdução Freqüentemente, ao equacionarmos um problema, obtemos uma equação na qual a incógnita aparece elevada ao quadrado. Estas são as chamadas equações do 2º grau.
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisAPLICAÇÃO DE MÉTODOS HEURÍSTICOS EM PROBLEMA DE ROTEIRIZAÇÃO DE VEICULOS
APLICAÇÃO DE MÉTODOS HEURÍSTICOS EM PROBLEMA DE ROTEIRIZAÇÃO DE VEICULOS Bianca G. Giordani (UTFPR/MD ) biancaggiordani@hotmail.com Lucas Augusto Bau (UTFPR/MD ) lucas_bau_5@hotmail.com A busca pela minimização
Leia maisPesquisa Operacional Programação em Redes
Pesquisa Operacional Programação em Redes Profa. Alessandra Martins Coelho outubro/2013 Modelagem em redes: Facilitar a visualização e a compreensão das características do sistema Problema de programação
Leia maisUm Modelo Matemático de Gestão de Recursos Humanos
30 Um Modelo Matemático de Gestão de Recursos Humanos JORGE SANTOS Departamento de Matemática, Escola Superior de Tecnologia de Viseu 1. Introdução O material que aqui publicamos foi resultado de várias
Leia maisUTILIZAÇÃO DE PLANILHA ELETRÔNICA NA RESOLUÇÃO DE PROBLEMAS DE PLANEJAMENTO E PROGRAMAÇÃO DA PRODUÇÃO
Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-755-37-4 UTILIZAÇÃO DE PLANILHA ELETRÔNICA NA RESOLUÇÃO DE PROBLEMAS DE PLANEJAMENTO E PROGRAMAÇÃO DA PRODUÇÃO
Leia maisPÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014
PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método
Leia maisBCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 04: Análise de Algoritmos (Parte 1) Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Ciência da Computação, DECOM Website: www.decom.ufop.br/reifortes
Leia maisCálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante
Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos
Leia maisCAP 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 C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisa 1 x 1 +... + a n x n = b,
Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição
Leia mais6. Programação Inteira
Pesquisa Operacional II 6. Programação Inteira Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção Programação Inteira São problemas de programação matemática em que a função objetivo, bem
Leia maisINVESTIGAÇÃO OPERACIONAL EM AÇÃO
INVESTIGAÇÃO OPERACIONAL EM AÇÃO CASOS DE APLICAÇÃO RUI CARVALHO OLIVEIRA JOSÉ SOEIRO FERREIRA (EDITORES) IMPRENSA DA UNIVERSIDADE DE COIMBRA COIMBRA UNIVERSITY PRESS CASO 7 SISTEMA DE APOIO À DECISÃO
Leia maisEstudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisLista de Exercícios 4: Soluções Sequências e Indução Matemática
UFMG/ICEx/DCC DCC Matemática Discreta Lista de Exercícios : Soluções Sequências e Indução Matemática Ciências Exatas & Engenharias o Semestre de 05 O conjunto dos números racionais Q é enumerável, ou seja,
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro. Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br
Projeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Laboratório de Pesquisa e Desenvolvimento Universidade Federal de Alfenas versão
Leia maisProjeto de Sistemas I
Instituto Federal de Educação, Ciência e Tecnologia de São Paulo Projeto de Sistemas I Professora: Kelly de Paula Cunha E-mail:kellypcsoares@ifsp.edu.br Requisitos: base para todo projeto, definindo o
Leia mais2 Problema das p-medianas
2 Problema das p-medianas 2.1 Definição O PMNC é definido da seguinte forma: determinar quais p facilidades (p m, onde m é o número de pontos onde podem ser abertas facilidades) devem obrigatoriamente
Leia maisão: modelagem e técnicas
Curso de Especialização em Gestão Empresarial (MBA Executivo Turma 15) Disciplina: Pesquisa Operacional Prof. Dr. Álvaro José Periotto 3. Otimização ão: modelagem e técnicas de resolução Passando da daetapa
Leia mais[a11 a12 a1n 4. SISTEMAS LINEARES 4.1. CONCEITO. Um sistema de equações lineares é um conjunto de equações do tipo
4. SISTEMAS LINEARES 4.1. CONCEITO Um sistema de equações lineares é um conjunto de equações do tipo a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 11 x 1 + a 12 x 2 +... + a 1n x n = b 2... a n1 x 1 + a
Leia maisSUMÁRIO 1. AULA 6 ENDEREÇAMENTO IP:... 2
SUMÁRIO 1. AULA 6 ENDEREÇAMENTO IP:... 2 1.1 Introdução... 2 1.2 Estrutura do IP... 3 1.3 Tipos de IP... 3 1.4 Classes de IP... 4 1.5 Máscara de Sub-Rede... 6 1.6 Atribuindo um IP ao computador... 7 2
Leia maisUniversidade Federal de Santa Catarina Centro Tecnológico Departamento de Informática e Estatística Curso de Graduação em Ciências da Computação
Universidade Federal de Santa Catarina Centro Tecnológico Departamento de Informática e Estatística Curso de Graduação em Ciências da Computação Aula 6-T 2. Máquinas Sequencias Síncronas: Comparação entre
Leia maisConcentração Mínima de Açúcar (g/l) N (normal) 2000 60 2 E (europeu fino) 1000. 80 1. Teor Máximo de Acidez (%)
FACULDADE LOURENÇO FILHO Revisão ENADE 2011 Disciplina: Pesquisa Operacional Profa. Danielle Abreu 17/096/2011 Questão 1 ENADE 2008 O gerente de planejamento e controle da produção de uma empresa de suco
Leia maisFACULDADE CAMPO LIMPO PAULISTA MESTRADO EM CIÊNCIA DA COMPUTAÇÃO. Projeto e Análise de Algoritmos II Lista de Exercícios 2
FACULDADE CAMPO LIMPO PAULISTA MESTRADO EM CIÊNCIA DA COMPUTAÇÃO Projeto e Análise de Algoritmos II Lista de Exercícios 2 Prof. Osvaldo. 1. Desenvolva algoritmos para as operações abaixo e calcule a complexidade
Leia maisGESTÃO DE RECURSOS NATURAIS. Ano letivo 2011/2012. Exercício: Sistema de apoio à decisão para eucalipto (Aplicação de Programação Linear)
GESTÃO DE RECURSOS NATURAIS Ano letivo 2011/2012 Exercício: Sistema de apoio à decisão para eucalipto (Aplicação de Programação Linear) Exercise: Decision support system for eucalyptus (Linear programming
Leia maisPesquisa Operacional na Tomada de Decisões. Conteúdos do Capítulo. Programação Linear. Lindo. s.t. Resolvendo Programação Linear Em um Microcomputador
ª Edição Pesquisa Operacional na Tomada de Decisões Resolvendo Programação Linear Em um Microcomputador Gerson Lachtermacher,00 Programação Linear Software Versão Windows e comandos Formulação do problema
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisProjetos. Universidade Federal do Espírito Santo - UFES. Mestrado em Informática 2004/1. O Projeto. 1. Introdução. 2.
Pg. 1 Universidade Federal do Espírito Santo - UFES Mestrado em Informática 2004/1 Projetos O Projeto O projeto tem um peso maior na sua nota final pois exigirá de você a utilização de diversas informações
Leia maisXI Encontro de Iniciação à Docência
4CCENDFMT01 EXEMPLO DE APLICAÇÃO DE UMA METODOLOGIA PARA A SOLUÇÃO DE PROBLEMAS DE FÍSICA E MATEMÁTICA Erielson Nonato (1) e Pedro Luiz Christiano (3) Centro de Ciências Exatas e da Natureza/Departamento
Leia maisDisciplina: Suprimentos e Logística II 2014-02 Professor: Roberto Cézar Datrino Atividade 3: Transportes e Armazenagem
Disciplina: Suprimentos e Logística II 2014-02 Professor: Roberto Cézar Datrino Atividade 3: Transportes e Armazenagem Caros alunos, Essa terceira atividade da nossa disciplina de Suprimentos e Logística
Leia maisElbio Renato Torres Abib. Escalonamento de Tarefas Divisíveis em Redes Estrela MESTRADO. Informática DEPARTAMENTO DE INFORMÁTICA
Elbio Renato Torres Abib Escalonamento de Tarefas Divisíveis em Redes Estrela DISSERTAÇÃO DE MESTRADO DEPARTAMENTO DE INFORMÁTICA Programa de Pós graduação em Informática Rio de Janeiro Junho de 2004 Elbio
Leia mais2. A FERRAMENTA SOLVER (EXCEL)
Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção 2. A FERRAMENTA SOLVER (EXCEL) Diversas ferramentas para solução de problemas de otimização, comerciais ou acadêmicos, sejam eles lineares
Leia maisAnálise e Complexidade de Algoritmos
Análise e Complexidade de Algoritmos Uma visão de Intratabilidade, Classes P e NP - redução polinomial - NP-completos e NP-difíceis Prof. Rodrigo Rocha prof.rodrigorocha@yahoo.com http://www.bolinhabolinha.com
Leia maisTécnicas de Manutenção de Computadores
Técnicas de Manutenção de Computadores Professor: Luiz Claudio Ferreira de Souza Processadores É indispensável em qualquer computador, tem a função de gerenciamento, controlando todas as informações de
Leia maisNotas de Aula - Álgebra de Boole Parte 1
Universidade de Brasília Departamento de Engenharia Elétrica Sistemas Digitais 1 Prof. Dr. Alexandre Romariz Revisado em 27/4/06 Notas de Aula - Álgebra de Boole Parte 1 1 Introdução Fundamentos, Teoremas
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisALGORITMO EVOLUTIVO PARA A OTIMIZAÇÃO DA GRADE HORÁRIA DO CURSO DE ENGENHARIA ELÁTRICA DA FEIS-UNESP
INSTRUÇÕES PARA A PREPARAÇÃO E SUBMISSÃO DE TRABALHOS PARA CONGRESSO BRASILEIRO DE ENSINO DE ENGENHARIA 2003 ALGORITMO EVOLUTIVO PARA A OTIMIZAÇÃO DA GRADE HORÁRIA DO CURSO DE ENGENHARIA ELÁTRICA DA FEIS-UNESP
Leia maisCadeias de Markov. Geovany A. Borges gaborges@ene.unb.br
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Cadeias de Markov Geovany A. Borges gaborges@ene.unb.br
Leia maisTópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções
Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções 1. INTRODUÇÃO Ao se obter uma sucessão de pontos experimentais que representados em um gráfico apresentam comportamento
Leia maisINE5403 - Fundamentos de Matemática Discreta para a Computação
INE5403 - Fundamentos de Matemática Discreta para a Computação 2) Fundamentos 2.1) Conjuntos e Sub-conjuntos 2.2) Números Inteiros 2.3) Funções 2.4) Seqüências e Somas 2.5) Crescimento de Funções Divisão
Leia maisMRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior
MRP II Introdução A lógica de cálculo das necessidades é conhecida há muito tempo Porém só pode ser utilizada na prática em situações mais complexas a partir dos anos 60 A partir de meados da década de
Leia maisIA: Problemas de Satisfação de Restrições. Prof. Msc. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA: Problemas de Satisfação de Restrições Prof. Msc. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Introdução Um PSR é definido por um conjunto de variáveis X 1, X 2,..., X n, e por um conjunto de restrições,
Leia maisUma Ferramenta para otimização em Engenharia Mecânica e aplicações na Fundição Eletromagnética de Metais
Uma Ferramenta para otimização em Engenharia Mecânica e aplicações na Fundição Eletromagnética de Metais Departamento de Engenharia Mecânica COPPE UFRJ STIC-AMSUD, Novembro de 2009 Conteúdo Preliminares
Leia maisLicenciatura em Engenharia Electrotécnica e de Computadores 1998/99. Erros
Licenciatura em Engenharia Electrotécnica e de Computadores Análise Numérica 1998/99 Erros Objectivos: Arredondar um número para n dígitos significativos. Determinar os erros máximos absoluto e relativo
Leia maisModelos Matemáticos para Tratamento de Grooming em Redes de Fibra Óptica
Modelos Matemáticos para Tratamento de Grooming em Redes de Fibra Óptica Rangel Silva Oliveira 1, Geraldo Robson Mateus 1 1 Departamento de Ciência da Computação Universidade Federal de Minas Gerais {rangel,mateus}@dcc.ufmg.br
Leia maisUso de SAS/OR para diminuir o tempo de resposta com um melhor posicionamento de ambulâncias.
Uso de SAS/OR para diminuir o tempo de resposta com um melhor posicionamento de ambulâncias. Fábio França 1, 1 Logical Optimization Rua Tanhaçu número 405, CEP 05679-040 São Paulo, Brasil fabio.franca@optimization.com.br
Leia maisProgramação Inteira. Advertência
Departamento de Informática Programação Inteira Métodos Quantitativos LEI 2006/2007 Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) Susana Nascimento (snt@di.fct.unl.pt) Este material pode ser
Leia maisO USO DA FERRAMENTA SOLVER DO EXCEL NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR
O USO DA FERRAMENTA SOLVER DO EXCEL NA RESOLUÇÃO DE PROBLEMAS DE PROGRAMAÇÃO LINEAR João Batista de Jesus FATEC-JAHU Célio Favoni 2 FATEC-JAHU Resumo Este trabalho expõe de maneira sintetizada as funcionalidades
Leia maisCÁLCULO DE ZEROS DE FUNÇÕES REAIS
15 CÁLCULO DE ZEROS DE FUNÇÕES REAIS Um dos problemas que ocorrem mais frequentemente em trabalhos científicos é calcular as raízes de equações da forma: f() = 0. A função f() pode ser um polinômio em
Leia maisTrabalho de Casa 1. 15.053 Introdução à Otimização Para ser entregue no início da aula de quinta-feira, 14 de fevereiro de 2002
Trabalho de Casa 1 15.053 Introdução à Otimização Para ser entregue no início da aula de quinta-feira, 14 de fevereiro de 2002 1. Formulações de PL a. Dê um exemplo de uma programação linear de duas variáveis
Leia maisSUMÁRIO. Introdução... 3
SUMÁRIO Introdução..................................... 3 1 Consultas por Similaridade e Espaços métricos............. 5 1.1 Consultas por abrangência e consultas aos k-vizinhos mais próximos... 5 1.2
Leia maisSomatórias e produtórias
Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +
Leia maisContagem I. Figura 1: Abrindo uma Porta.
Polos Olímpicos de Treinamento Curso de Combinatória - Nível 2 Prof. Bruno Holanda Aula 4 Contagem I De quantos modos podemos nos vestir? Quantos números menores que 1000 possuem todos os algarismos pares?
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Introdução. Prof. Humberto Brandão humberto@dcc.ufmg.br
Projeto e Análise de Algoritmos Projeto de Algoritmos Introdução Prof. Humberto Brandão humberto@dcc.ufmg.br aula disponível no site: http://www.bcc.unifal-mg.edu.br/~humberto/ Universidade Federal de
Leia maisModels and Algorithms for Combinatorial Optimization Problems. LP Solve. Albert Einstein Fernandes Muritiba. albert.fernandes@unibo.
LP Solve Albert Einstein Fernandes Muritiba albert.fernandes@unibo.it Fortaleza, 2010 Agenda 1 Introdução. 2 Componentes. 3 Instalação. 4 Arquivos LP. 5 Comando lp solve 6 LPSolve IDE 7 lp solve API C
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisInversores de frequência de média tensão Serviços para gerenciar o ciclo de vida, assegurando confiabilidade, disponibilidade e eficiência
Inversores de frequência de média tensão Serviços para gerenciar o ciclo de vida, assegurando confiabilidade, disponibilidade e eficiência 2 Serviços para gerenciar o ciclo de vida dos inversores de média
Leia maisMODELO MATEMÁTICO E HEURÍSTICA PARA O PROBLEMA DE CORTE COM SOBRAS APROVEITÁVEIS E VENDA DE RETALHOS
MODELO MATEMÁTICO E HEURÍSTICA PARA O PROBLEMA DE CORTE COM SOBRAS APROVEITÁVEIS E VENDA DE RETALHOS Adriana Cherri Departamento de Matemática, Faculdade de Ciências, UNESP, Bauru Av. Eng. Luiz Edmundo
Leia maisControle de estoque de peças de reposição: revisão da literatura e um estudo de caso
Rafael Paradella Freitas Controle de estoque de peças de reposição: revisão da literatura e um estudo de caso Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau
Leia maisPesquisa com Professores de Escolas e com Alunos da Graduação em Matemática
Pesquisa com Professores de Escolas e com Alunos da Graduação em Matemática Rene Baltazar Introdução Serão abordados, neste trabalho, significados e características de Professor Pesquisador e as conseqüências,
Leia maisTutorial de Matlab Francesco Franco
Tutorial de Matlab Francesco Franco Matlab é um pacote de software que facilita a inserção de matrizes e vetores, além de facilitar a manipulação deles. A interface segue uma linguagem que é projetada
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia maisobjetivo Exercícios Meta da aula Pré-requisitos Aplicar o formalismo quântico estudado neste módulo à resolução de um conjunto de exercícios.
Exercícios A U L A 10 Meta da aula Aplicar o formalismo quântico estudado neste módulo à resolução de um conjunto de exercícios. objetivo aplicar os conhecimentos adquiridos nas Aulas 4 a 9 por meio da
Leia maisTRABALHO - SIMULAÇÃO DE CONSULTORIA PARA COOPERATIVA CAMPAL 1
TRABALHO - SIMULAÇÃO DE CONSULTORIA PARA COOPERATIVA CAMPAL 1 INTRODUÇÃO Marcos Vily Paladini 2 Neste trabalho será apresentada uma simulação de consultoria para a cooperativa CAMPAL, de Cornélio Procópio,
Leia maisPP 301 Engenharia de Reservatórios I 11/05/2011
PP 301 Engenharia de Reservatórios I 11/05/2011 As informações abaixo têm como objetivo auxiliar o aluno quanto à organização dos tópicos principais abordados em sala e não excluem a necessidade de estudo
Leia maisDimensionamento de Estoque de Segurança de Derivados de Petróleo: Metodologia e um Estudo de Caso
Emilia de Vasconcelos Barbetta Dimensionamento de Estoque de Segurança de Derivados de Petróleo: Metodologia e um Estudo de Caso Dissertação de Mestrado (Opção profissional) Dissertação apresentada como
Leia maisComplemento IV Introdução aos Algoritmos Genéticos
Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e
Leia mais