UMA HEURÍSTICA HÍBRIDA PARA O PROBLEMA DE ESCALONAMENTO DE TAREFAS PERIÓDICO EM MÁQUINAS PARALELAS
|
|
- Juan Castilho Mendonça
- 7 Há anos
- Visualizações:
Transcrição
1 UMA HEURÍSTICA HÍBRIDA PARA O PROBLEMA DE ESCALONAMENTO DE TAREFAS PERIÓDICO EM MÁQUINAS PARALELAS VICTOR VIANA E SILVA (UCAM-Campos) horusviana@hotmail.com GABRIELA MOÇO DO ESÍRITO SANTO (UCAM-Campos) gabriela_mes@hotmail.com DALESSANDRO SOARES VIANNA1 (UCAM-Campos) dalessandro@ucam-campos.br HÉLDER GOMES DA COSTA3 (UFF) hgc@latec.uff.br O Problema de Escalonamento de Tarefas em Máquinas Paralelas (PETMP) é um problema de otimização onde um conjunto de tarefas, cada uma com um tempo de processamento próprio, deve ser organizado e executado em um conjunto de máquinas idênticcas de forma que o tempo total de execução seja minimizado. O presente trabalho propõe uma heurística GRASP híbrida para resolver de forma aproximada o Problema de Escalonamento de Tarefas Periódico em Máquinas Paralelas, uma variante do PETMP original, empregando na etapa de busca local a técnica VND, que explora quatro estruturas de vizinhança. A heurística GRASP híbrida proposta é testada para problemas com 100 n 500 tarefas e 4 m 10 máquinas. Palavras-chaves: Problema de Escalonamento de Tarefas em Máquinas Paralelas, GRASP, VND, Heurísticas
2 1. Introdução Com o advento da globalização e dos mercados unificados, as empresas, principalmente as indústrias, têm sido obrigadas a desenvolver novas técnicas de administração da produção com o intuito de encontrar não só a eficiência em suas operações, mas também a eficácia. Dentre esses desenvolvimentos, pode-se citar as técnicas de Just-in-Time e Teoria das Restrições, no que diz respeito à redução de estoques em processo e como conseqüência a redução do dispêndio financeiro para manter esse estoque. Outra técnica de otimização dos recursos da produção vem do campo da Pesquisa Operacional, principalmente da otimização no seqüenciamento das tarefas no ambiente de chão-de-fábrica. O problema de otimização de seqüência das tarefas correspondem a determinar a seqüência na qual as tarefas devem ser executadas com o intuito de otimizar um ou mais objetivos. É uma extensa área de pesquisa que tem merecido grande atenção devido a sua relevância na otimização dos processos produtivos. Os Problemas de Escalonamento de Tarefas (PET), como são conhecidos os problemas de seqüenciamento de tarefas, além de importantes para a indústria no que diz respeito em otimizar os recurso de produção (Homens e Máquinas), são matematicamente desafiadores devido a grande explosão combinatória, muita vezes de ordem exponencial. A resolução de variantes do problema de escalonamento de tarefas (PET) é muito útil para o setor de produção. Diversos problemas deste setor podem ser modelados como variantes do PET. No entanto, tanto o PET como suas variantes são problemas NP-difícil, tornando inviável a resolução por métodos exatos. Neste artigo aborda-se o Problema de Escalonamento de Tarefas Periódico em Máquinas Paralelas, variante do Problema de Escalonamento de Tarefas em Máquinas Paralelas (PETMP) original. De acordo com Mendes et al. (2002), o PETMP pode ser descrito da seguinte forma: um conjunto de n tarefas deve ser organizado em m máquinas paralelas idênticas com o objetivo de minimizar o makespan tempo necessário para que as n tarefas tenham sua execução completada. Cada máquina possui tempos de preparação entre duas tarefas i e j, denominado setup S ij, dependente e assimétrico em relação à seqüência de i e j, isto é, S ij S ji. Na literatura relacionada ao PETMP encontra-se: um modelo de programação linear inteira, proposto por Dearing e Henderson (1984), para a alocação do tear em uma tecelagem; um método heurístico, proposto por Sumicharst e Baker (1987), baseado na solução de uma série de subproblemas de programação inteira 0-1 que melhora dois resultados de Dearing e Henderson (1984); uma heurística busca tabu é proposta por França et al. (1996); Arroyo e Ribeiro (2004) propõem um algoritmo genético para o PETMP com múltiplos objetivos; uma heurística busca tabu, proposta por Mendes et al. (2002), para o PETMP não preemptivo; e Vianna et al.(2006) utilizam uma metaheurística GRASP associada à técnica VND na solução do PETMP na alocação de barcos em píeres (embarque/desembarque) no porto de Imbetiba (Macaé-RJ, Brasil), da Petrobras. O Problema de Escalonamento de Tarefas Periódico em Máquinas Paralelas (PETPMP), abordado neste trabalho, é definido como se segue: um conjunto de n tarefas deve ser disposto em m máquinas não idênticas divididas em tu turnos de trabalho, assumindo-se que estes turnos têm a mesma duração para todas as máquinas. O tempo de setup S ij entre duas tarefas i 2
3 e j é dependente e assimétrico, logo, S ij S ji. Cada tarefa tem um subconjunto de máquinas capazes de atendê-la e um tempo para sua execução completa. O objetivo nesta variante também é minimizar o makespan. O PETPMP é aplicável em escalonamentos que envolvem a divisão das tarefas em diferentes dias, períodos ou turnos de trabalho visando o seu aproveitamento máximo. Esta é a realidade de muitos setores produtivos onde a otimização se faz necessária para reduzir o tempo ocioso ou sub-utilizado durante os turnos de produção, ao mesmo tempo em que é preciso otimizar o tempo total de processamento. O objetivo principal deste trabalho é desenvolver um algoritmo baseado na metaheurística GRASP, que utiliza em sua etapa de busca local um procedimento VND, para o PETPMP. O restante do trabalho está organizado da seguinte maneira: na Seção 2 é apresentada a heurística GRASP híbrida proposta, que utiliza a técnica VND na etapa de busca local. Os experimentos computacionais são apresentados na Seção 3. Por fim, são apresentadas as conclusões e as referências bibliográficas. 2. Heurística GRASP+VND proposta GRASP- Greedy Randomized Adaptive Search Procedure (FEO & RESENDE, 1995; RESENDE & RIBEIRO, 2003) é uma heurística de múltiplas partidas, na qual cada iteração consiste de duas fases: construção e busca local. Na fase construtiva cria-se uma solução viável utilizando um algoritmo guloso aleatorizado, cuja vizinhança é explorada até um ótimo local ser encontrado na etapa de busca local. A melhor entre todas as soluções é retornada como resultado. Neste trabalho é proposto um algoritmo GRASP híbrido que utiliza a técnica VND Variable Neighborhood Descent (MLADENOVIC & HANSEN, 1997) na etapa de busca local. O que difere a técnica VND do método de busca local tradicional é que ao invés de utilizar uma única estrutura de vizinhança, várias estruturas de vizinhança são utilizadas. Estas vizinhanças estendidas procuram por soluções aprimorantes que estão mais distantes da solução atual, assim permitindo ao método escapar de ótimos locais com respeito a uma vizinhança menor. A Figura 1 ilustra o pseudocódigo da metaheurística GRASP proposta. Procedimento GRASP(α, N_Iter) α define o grau de aleatoriedade do algoritmo; N_Iter número de iterações GRASP. s melhor solução encontrada. Início 01. Para i de 1 até N_Iter faça 02. s' Construção(α); 03. s VND(s); 04. Se s for a melhor solução até o momento então 05. s s ; 06. Fim-para 07. Retorne s; Fim-GRASP Figura 1 Algoritmo GRASP. 3
4 Na Subseção 2.1 será visto com detalhes o algoritmo de construção proposto. A técnica VND será abordada na Subseção 2.2, bem como as estruturas de vizinhança empregadas. 2.1 Heurística Construtiva A heurística de construção proposta neste trabalho considera, primeiramente, a quantidade de máquinas m que podem executar determinada tarefa, ordenando estas tarefas em uma lista de candidatos LC; as tarefas são classificadas em ordem crescente pelo número de máquinas que as atendem. O propósito desta estratégia é diminuir o tempo total de espera, pois tarefas que possuírem menor número de máquinas associadas deverão ser atendidas em primeiro lugar. Para que o algoritmo GRASP forneça uma solução inicial diferente a cada iteração, em vez de sempre escolher a primeira tarefa de LC, define-se um subconjunto restrito, cujo tamanho é definido pela expressão máximo(1, α*tamanho_lc), denominado lista restrita de candidatos (LRC LC), a qual armazena as tarefas ainda não inseridas na solução inicial parcial; da lista LRC toma-se aleatoriamente uma tarefa por vez para que seja inserida na solução, até que todas as tarefas estejam alocadas. Procedimento Construção(α); α porcentagem sobre as n tarefas restantes a ser feita a aleatoriedade. s solução construída. Início 01. Ordene crescentemente a lista LC de tarefas pela quantidade de máquinas que pode atender cada tarefa; 02. Para i 1 até n faça 03. C y ; 04. tamanho_lrc máximo(1, α*tamanho_lc); 05. x escolha, aleatória, entre as tarefas classificadas em LRC. 06. Para cada máquina j que pode atender a tarefa x faça 07. Para cada turno tu programado na máquina j faça 08. C y custo de inserção da tarefa x na posição y do turno tu da máquina j, ou seja, a posição onde o setup seja mínimo. 09. Se y <melhor_pos então 10. melhor_pos y; 11. melhor_turno tu; 12. melhor_maq j; 13. Fim-se 14. Fim-para 15. Se não há turnos disponíveis então 16. Adicione um novo turno à máquina j menos ocupada. 17. melhor_pos 1; 18. melhor_turno tu; 19. melhor_maq j; 20. Fim-se 21. Fim-para 22. Insira a tarefa x na posição melhor_pos do turno melhor_turno da máquina j da solução s; 4
5 23. Remova x de LRC; 24. Fim-para 25. Retorne s; Fim-Construção Figura 2 Algoritmo Construção. Ao inserir uma tarefa i na máquina, deve-se escolher a melhor posição dentre todas as disponíveis na máquina, em todos os turnos, respeitando-se a sua duração máxima dos turnos. Deve-se igualmente observar onde haverá o menor tempo de setup, bem como evitar o aumento do número de turnos necessários para o atendimento. Quando nenhum dos turnos pré-configurados puder atender a tarefa em questão, será criado um novo turno na máquina em que houver menor número de turnos para que a tarefa seja alocada. Para a inserção de cada tarefa considera-se que a tarefa que ocupava a posição tomada como ótima para uma nova inserção pode ser reacomodada para uma posição à frente, respeitando a duração do turno. A Figura 2 apresenta o algoritmo Construção, que recebe como parâmetro de entrada o grau de aleatoriedade, α, e retorna como saída a solução s construída. Na linha 1, a lista LC com todas as tarefas é ordenada crescentemente segundo o número de máquinas que podem atendê-las. O laço nas linhas 2-21 garante que todas as tarefas i sejam inseridas na solução s. Na linha 5, uma tarefa x é escolhida aleatoriamente de LRC. O laço entre as linhas 6-14 explora as máquinas que podem atender a tarefa, em todas as posições de todos os turnos. A inserção é realizada na linha 22. Na linha 25, a solução s é retornada. 2.2 Busca Local usando VND Procedimento VND (s o,n 1,N 2,N 3,N 4 ) s o uma solução viável para o problema, N 1 estrutura de vizinhança TrocaSimples, N 2 estrutura de vizinhança Reinserção, N 3 estrutura de vizinhança Intercâmbio, N 4 estrutura de vizinhança Realocação. s melhor solução encontrada. Inicio 01. s s o; 02. k 1; 03. Enquanto k 4 faça 04. Aplique uma busca local em s usando a vizinhança N k. Seja s o ótimo local; 05. Se f(s )<f(s) então 06. s s ; 07. k 1; 08. Senão 09. k k+1; 10. Fim-se 11. Fim-Enquanto 5
6 12. Retorne s; Fim-VND. Figura 3 Algoritmo VND. O algoritmo da Figura 3 apresenta o pseudocódigo do algoritmo VND elaborado que utiliza quatro estruturas de vizinhança: TrocaSimples, Reinserção, Intercâmbio e Realocação, que serão exibidos nas Subseções 2.2.1, 2.2.2, e 2.2.4, respectivamente. Estas estruturas fazem busca em vizinhanças valendo-se da estratégia primeiro-aprimorante, com a finalidade de evitar convergências prematuras para um mínimo não-global como também reduzir o tempo computacional (PRAIS & RIBEIRO, 2000; RESENDE, 2003). Este algoritmo recebe como entrada, além das quatro vizinhanças, uma solução viável s o a ser refinada. A primeira estrutura de vizinhança analisada é a N 1 (linha 2). O laço nas linhas 3-11 garante que todas as estruturas de vizinhança serão analisadas. Se após a aplicação de uma busca local na vizinhança N k, a solução encontrada for melhor que a original, a busca reinicia (linha 7) com a vizinhança N 1, do contrário a busca prossegue na próxima vizinhança (linha 9). Na linha 12 a solução s refinada é retornada Vizinhança TrocaSimples Neste procedimento de busca local, a partir de uma solução inicial, considera-se a troca de posições de duas tarefas quaisquer x e y alocadas em uma mesma máquina. Procedimento BL_TrocaSimples(s) s solução viável s solução refinada. Início 01. Terminou false; 02. Enquanto não terminou faça 03. Melhor_troca 0; 04. Para cada turno tu x da máquina i faça 05. Para cada tarefa x do turno tu x faça 06. Para cada turno tu y da mesma máquina de x faça 07. Para cada tarefa y (y x) to turno tu y faça 08. c alteração de custo na troca de posições das tarefas x e y. 09. Se c<0 então 10. Melhor_troca c; 11. Realize a troca das tarefas x e y; 12. Avalie a solução s após a troca; 13. Fim-se 14. Fim-para 15. Fim-para 16. Fim-para 17. Fim-para 18. Se Melhor_troca = 0 então 19. Terminou true; 20. Fim-se 21. Fim-enquanto 6
7 22. Retorne s; Fim-BL_TrocaSimples. Figura 4 Algoritmo BL_TrocaSimples A Figura 4 apresenta o pseudocódigo do procedimento de busca local BL_TrocaSimples analisando esta vizinhança, que recebe como parâmetro de entrada a solução s a ser refinada. O laço nas linhas 2-21 faz com que a busca continue enquanto houver um vizinho melhor que a solução corrente s. Os laços internos permitem encontrar as trocas aprimorantes entre todas as tarefas x e y de quaisquer turnos tu x e tu y de uma mesma máquina. O custo c é definido como a diferença entre os tempos de setup originais e os tempos de setup calculados se houvesse a troca, realizando-a sempre que for possível (linha 10). No entanto, considera-se como uma redução no custo c a redução imediata do tempo total de operação da maquina i nos algoritmos BL_TrocaSimples e BL_Reinserção (a ser apresentada na Subseção 2.2.2), ou da função objetivo makespan nos algoritmos BL_Intercâmbio (a ser apresentada na Subseção 2.2.3) e BL_Realocação (a ser apresentada na Subseção 2.2.4), ainda que a troca analisada não conduza propriamente a uma redução do setup na vizinhança de x e de y. Se a troca proporciona melhora na solução corrente, esta troca é realizada na linha 11. Caso contrário, o procedimento é encerrado. A solução s é retornada na linha Vizinhança Reinserção Neste procedimento de busca local, a partir de uma solução inicial, considera-se a retirada de uma tarefa x de sua posição original e sua inserção em uma nova posição p da mesma máquina. Procedimento BL_Reinserção(s) s solução viável. s solução refinada. Início 01. Terminou false; 02. Enquanto não terminou faça 03. Melhor_reinserção 0; 04. Para cada turno tu x da máquina i faça 05. Para cada tarefa x do turno tu x faça 06. Para cada turno tu y (tu y tu x ) da mesma máquina de x faça 07. Para cada posição p do turno tu y faça c alteração de custo na reinserção da tarefa x na melhor posição p do turno tu y. 08. Se c<0 então 09. Melhor_reinserção c; 10. Remova a tarefa x de sua posição original e reinsira na posição p do turno tu y da máquina i; 11. Avalie a solução s após a troca; 12. Fim-se 13. Fim-para 14. Fim-para 7
8 15. Fim-para 16. Fim-para 17. Se Melhor_reinserção = 0 então 18. Terminou true; 19. Fim-se 20. Fim-enquanto 21. Retorne s; Fim-BL_Reinserção. Figura 5 Algoritmo BL_Reinserção. A Figura 5 apresenta o pseudocódigo do procedimento de busca local BL_Reinserção utilizando esta vizinhança, que recebe como parâmetro de entrada a solução s a ser refinada. O laço nas linhas 2-20 garante que a busca continuará enquanto houver um vizinho melhor que a solução corrente s. Os laços internos procuram a melhor troca de uma tarefa x para uma posição diferente da original, em um turno diferente da mesma máquina. Caso a melhor troca leve a uma melhora na solução corrente, esta troca é realizada na linha 10. Do contrário, o procedimento é encerrado. A solução s refinada é retornada na linha Vizinhança Intercâmbio Neste procedimento de busca local, a partir de uma solução inicial, considera-se a troca de duas tarefas x e y alocadas em máquinas diferentes. Procedimento BL_Intercâmbio(s) s solução viável. s solução refinada. Início 01. Terminou false; 02. Enquanto não terminou faça 03. Melhor_troca 0; 04. Para cada tarefa x faça 05. Para cada tarefa y de turno tu y de outra máquina maq y que atenda a tarefa x faça 06. c alteração de custo na troca de posições das tarefas x e y entre seus respectivos turnos tu x e tu y e máquinas maq x e maq y. 07. Se c<0 então 08. Melhor_troca c; 09. Realize a troca das tarefas x e y entre seus respectivos turnos tu x e tu y das máquinas maq x e maq y. 10. Avalie a solução após a troca; 11. Fim-se 12. Fim-para 13. Fim-para 14. Se Melhor_troca = 0 então 15. Terminou true; 16. Fim-se 8
9 17. Fim-enquanto 18. Retorne s; Fim-BL_Intercâmbio. Figura 6 Algoritmo BL_Intercâmbio. A Figura 6 apresenta pseudocódigo do procedimento de busca local BL_Intercâmbio utilizando esta vizinhança, que recebe como parâmetro de entrada a solução s a ser refinada. O laço nas linhas 2-17 garante que a busca continuará enquanto existir um vizinho melhor que a solução corrente s. O laço nas linhas 4-13 procura a melhor troca entre tarefas de máquinas diferentes que pode ser realizada. Se esta troca levar a uma melhora na solução corrente, esta troca é realizada na linha 9. Caso contrário o procedimento é encerrado. A solução s refinada é retornada na linha Vizinhança Realocação Neste procedimento de busca local, a partir de uma solução inicial, considera-se a migração de uma tarefa x da máquina onde estava alocada para outra máquina capaz de atendê-la. A Figura 7 apresenta o pseudocódigo do procedimento de busca local BL_Realocação usando esta vizinhança, que recebe como parâmetro a solução s a ser refinada. O laço nas linhas 2-17 garante que a busca prosseguirá enquanto houver um vizinho melhor que a solução corrente s. O laço nas linhas 4-13 procura a melhor realocação para tarefas de máquinas diferentes. Se a melhor troca levar a uma solução melhor que a solução corrente, esta troca é realizada na linha 9. A solução s refinada é retornada na linha 18. Procedimento BL_Realocação(s) s solução viável. s solução refinada. Início 01. Terminou false; 02. Enquanto não terminou faça 03. Melhor_troca 0; 04. Para cada tarefa x faça 05. Para cada tarefa y de turno tu y de outra máquina maq y que atenda a tarefa x faça 06. c alteração de custo na realocação da tarefa x na posição pos y no turno tu y da máquina maq y ; 07. Se c<0 então 08. Melhor_troca c; 09. Remova a tarefa x de sua posição original e reinsira na posição pos y do turno tu y da máquina maq y ; 10. Avalie a solução s após a troca; 11. Fim-se 12. Fim-para 13. Fim-para 14. Se Melhor_troca = 0 então 15. Terminou true; 9
10 16. Fim-se 17. Fim-enquanto 18. Retorne s; Fim-BL_Realocação. 3. Resultados computacionais Figura 7 Algoritmo BL_Realocação. Todos os experimentos computacionais deste trabalho foram realizados em um microcomputador equipado com processador AMD Sempron e 1GB de memória RAM sob a plataforma Windows XP. Os algoritmos propostos foram implementados utilizando a linguagem de programação Object Pascal e compilados no ambiente Borland Delphi 7.0 Professional Edition. Os problemas testes utilizados nos experimentos serão apresentados na Subsecção 3.1. Na Subsecção 3.2 serão mostrados os resultados dos experimentos realizados. 3.1 Problemas testes Para avaliar a eficiência do algoritmo GRASP+VND proposta foram criados, neste trabalho, problemas testes gerados por um algoritmo desenvolvido para este fim; o número de tarefas n varia de 100 n 500, com tempo de execução t n tomado aleatoriamente entre 1,00 hora e 2,00 horas e o número total de máquinas entre 4 m 10. O tempo de setup entre cada par de tarefas (i,j) foi definido, aleatoriamente, no intervalo de 0 S ij 1,00 hora. A duração máxima dos turnos é de 8,00 horas. A Tabela 1 mostra o número de tarefas e máquinas para cada um dos 20 problemas testes gerados para este trabalho. Problema Teste Número de Tarefas (n) Número de máquinas (m) I I I I I I I I I I I I I I I I I I I I Tabela 1 Problemas Testes. 10
11 3.2. Experimentos realizados No intuito de avaliar o emprego da heurística GRASP associado à técnica VND na resolução do PETPMP implementou-se cinco algoritmos GRASP que empregam o algoritmo Construção (Figura 2) na fase construtiva e diferenciam-se nas estratégias de busca local. Os cinco algoritmos GRASP implementados são: GRASP+TS, que utiliza o procedimento BL_TrocaSimples (Figura 4) na etapa de busca local; GRASP+ReIn, que utiliza o procedimento BL_Reinserção (Figura 5) na etapa de busca local; GRASP+Inter, que utiliza o procedimento BL_Intercâmbio (Figura 6) na etapa de busca local; GRASP+ReLo, que utiliza o procedimento BL_Realocação (Figura 7) na etapa de busca local; GRASP+VND, que utiliza o procedimento VND (Figura 3) na etapa de busca local; Os algoritmos foram executados em N_Iter=100 iterações para cada problema descrito na Tabela 1. O percentual α foi fixado em 20%. Este procedimento foi repetido cinco vezes, sendo os valores de makespan e tempo de processamento a média dos valores tomados das cinco soluções obtidas. O cálculo do makespan é obtido assumindo que todos os turnos, exceto o último, são contados em seu tempo integral, incluindo o tempo não trabalhado. Neste trabalho abordam-se turnos com duração de 8,00 horas. A Tabela 2 apresenta os valores obtidos de tempo (T) em segundos e o makespan (MAK) em horas para cada problema teste por cada algoritmo GRASP implementado. Em negrito estão destacados os melhores valores médios de makespan obtidos. Problema GRASP+TS GRASP+ReIn GRASP+Inter GRASP+ReLo GRASP+VND teste MAK T MAK T MAK T MAK T MAK T I ,65 0,84 45,48 1,01 45,72 1,10 43,02 2,25 41,80 2,35 I ,09 0,82 30,92 0,84 30,30 1,26 27,93 3,09 27,42 2,88 I ,93 0,82 23,15 0,82 22,86 1,21 21,29 2,72 21,07 2,73 I ,81 0,83 22,20 0,83 21,36 1,32 17,96 2,44 17,68 2,86 I ,22 6,12 86,45 13,09 89,17 8,53 83,96 27,87 82,66 21,29 I ,53 5,96 60,02 7,59 61,61 9,33 54,93 30,39 54,20 23,19 I ,08 5,93 46,84 6,34 45,99 10,53 41,53 37,70 40,70 28,87 I ,21 5,91 38,95 5,93 38,27 11,24 33,85 39,38 33,55 31,67 I ,09 18,64 124,59 57,21 133,30 33,81 123,14 154,80 120,99 77,89 I ,43 18,46 88,01 33,32 91,06 34,48 83,81 163,28 83,00 101,25 I ,46 17,87 68,26 23,86 69,17 35,19 61,50 173,65 60,92 122,07 I ,24 17,68 54,94 20,65 54,42 36,31 49,87 175,33 49,68 119,60 I ,18 35,84 162,01 129,26 173,56 74,08 162,07 422,35 158,09 161,50 I ,45 35,42 111,70 81,56 117,71 75,88 108,06 441,12 106,87 199,42 I ,10 34,67 86,86 59,51 86,31 89,54 81,58 577,59 81,13 255,70 I ,10 34,21 70,98 46,01 70,35 91,35 65,47 571,59 65,27 318,47 I ,95 57,94 203,63 259,70 219,66 113,91 206,16 722,70 199,55 281,03 I ,77 56,62 138,82 156,26 143,80 141,12 135,31 961,79 132,64 364,88 I ,87 55,64 110,25 110,39 110,40 154,42 102, ,14 101,13 460,21 I ,32 55,49 87,07 87,22 86,79 151,96 82, ,84 81,74 570,36 11
12 85,32 23,29 83,06 55,07 85,59 53,83 79,30 336,00 78,00 157,41 Tabela 2 Resultados dos experimentos realizados para N_Iter=100. Problema teste GRASP+TS GRASP+ReIn GRASP+Inter GRASP+ReLo GRASP+VND MAK MAK MAK MAK MAK I ,52 45,02 45,67 43,20 41,80 I ,16 30,56 30,15 27,93 27,42 I ,79 23,08 22,78 21,23 21,07 I ,49 22,16 21,28 17,99 17,68 I ,89 86,40 87,86 84,03 82,66 I ,44 59,77 61,62 55,00 54,20 I ,88 46,48 45,91 41,63 40,70 I ,11 38,81 37,97 33,85 33,55 I ,73 124,00 133,02 123,72 120,99 I ,10 87,03 89,84 84,13 83,00 I ,16 67,06 69,00 61,47 60,92 I ,11 54,86 54,22 49,93 49,68 I ,98 162,37 173,47 162,38 158,09 I ,32 110,76 117,70 108,59 106,87 I ,00 86,77 86,37 81,71 81,13 I ,97 70,81 70,20 65,74 65,27 I ,60 203,81 218,74 206,54 199,55 I ,49 138,91 142,82 136,18 132,64 I ,72 108,59 110,19 102,77 101,13 I ,18 86,98 86,66 82,37 81,74 85,03 82,71 85,27 79,52 78,00 Tabela 3 Resultados dos testes realizados em tempos iguais. Os resultados apresentados na Tabela 2 demonstram que o algoritmo GRASP+VND supera os demais em todos os problemas testes. Isto mostra a eficiência da técnica VND aplicada ao PETPMP na convergência para ótimos locais em relação a todas as vizinhanças analisadas. Em relação aos tempos computacionais o algoritmo GRASP+VND exige 34% a mais que o tempo médio das algoritmos convencionais; no entanto é duas vezes mais rápido na convergência às melhores soluções que o algoritmo GRASP+ReLo, que exige maior tempo entre todos. Como o tempo computacional do algoritmo GRASP+VND é em geral superior ao comportamento médio dos outros algoritmos, uma segunda bateria de testes foi executada para avaliar como estes se comportariam caso consumissem o mesmo tempo que o algoritmo GRASP+VND. Assim a condição de parada para os algoritmos é o tempo T gasto pelo algoritmo GRASP+VND. As soluções obtidas estão dispostas na Tabela 3. Nestas condições, o algoritmo GRASP+VND mantém a superioridade observada em relação aos algoritmos GRASP usuais, obtendo os melhores resultados de makespan em todos os problemas teste. 4. Conclusão O Problema de Escalonamento Periódico em Máquinas Paralelas (PETPMP), além das restrições do PETMP, abordam restrições de periodicidade e heterogeneidade de máquinas. Isto torna o problema abordado bastante difícil de ser resolvido por métodos exatos, o que 12
13 justifica a necessidade do estudo de algoritmos eficientes para sua resolução. Neste trabalho apresenta-se um algoritmo híbrido GRASP associado à técnica VND na investigação de soluções para o PETPMP e avalia-se o seu desempenho quando comparado à investigação de uma única estrutura de vizinhança. Na sua avaliação, diferentes problemas testes foram propostos para comparar o comportamento dos algoritmos desenvolvidos. Os resultados alcançados com o algoritmo híbrido GRASP+VND proposto superam em todos os problemas testes os algoritmos GRASP tradicionais também implementados com relação à qualidade das soluções e dentro de um tempo computacional plausível, o que demonstra a viabilidade das técnicas propostas na resolução do PETPMP. Agradecimentos Este trabalho foi financiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), pela Fundação de Amparo à Pesquisa do Estado do Rio de Janeiro (FAPERJ), pelo Parque de Alta Tecnologia do Norte Fluminense (TECNORTE) e pela Fundação Estadual do Norte Fluminense (FENORTE). Referências ARROYO, J. E. C., RIBEIRO, R. L. P. Algoritmo Genético para o Problema de Escalonamento de Tarefas em Máquinas Paralelas com Múltiplos Objetivos. In: XXXVI Simpósio Brasileiro de Pesquisa Operacional, v.1, p. 1-11, DEARING, P. M., HENDERSON, R. A. Assigning looms in a textile weaving operation with changeover limitations. Production and Inventory Management 25, 23-31, FEO, T.A., RESENDE, M.G.C. Greedy Randomized Adaptive Search Procedure. Journal of Global Optimization, v. 6, p , FRANÇA, P. M., GENDREAU, M., LAPORT, G., MULLER, F. A tabu search heuristic for the multiprocessor scheduling problem with sequence dependent setup times. International Journal of Production Economics 43, 79-89, MENDES, A., MÜLLER, F. M., FRANÇA, P. M., MOSCATO, P. Comparing Meta-Heuristic Approaches for Parallel Machine Scheduling Problems. Production Planning & Control 13(2), , MLADENOVIC, N.; HANSEN, P. Variable Neighborhood Search. Computer and Operations Research 24, , PRAIS, M., RIBEIRO, C.C. Reactive GRASP: An Application to a Matrix Decomposition Problem in TDMA Traffic Assignment. INFORMS Journal on Computing 12, , RESENDE, M. G. C., RIBEIRO, C. C. Greedy randomized adaptive search procedures. In F. Glover e G. Kochenberger (eds.), Handbook of metaheuristics. Kluwer, , SUMICHARST, R., BAKER, J. R. Scheduling parallel processors: an integer linear programming based heuristic for minimizing setup time, International Journal of Production Research 25(5), , VIANNA, D. S.; COELHO, S. R. Otimização do Tempo de Espera das Embarcações no Porto de Imbetiba Petrobrás In: XXXVIII Simpósio Brasileiro de Pesquisa Operacional, Goiânia, , VIANNA, D. S., ROBL, S. R. C., RANGEL, J. J. A. An Hybrid GRASP Algorithm for a Class of Job Scheduling Problem in Parallel Machines. Proceedings of VI International Conference on Operational Research for Development, 2007, Fortaleza. 13
UM MÉTODO HEURÍSTICO HÍBRIDO PARA A RESOLUÇÃO DO PROBLEMA DE SEQÜENCIAMENTO EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO DA PRODUÇÃO
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& UM MÉTODO HEURÍSTICO HÍBRIDO PARA A RESOLUÇÃO DO
Leia maisEstruturas de Repetição
Estruturas de Repetição Lista de Exercícios - 04 Algoritmos e Linguagens de Programação Professor: Edwar Saliba Júnior Estruturas de Repetição O que são e para que servem? São comandos que são utilizados
Leia maisOBSERVAÇÕES: EXERCÍCIOS
OBSERVAÇÕES: 1. Esta lista de exercícios poderá ser resolvida individualmente ou em grupos de 2 pessoas. 2. A lista possui 25 exercícios, destes você deve responder os 5 primeiros exercícios e os outros
Leia maisUMA HEURÍSTICA GRASP+VND PARA O PROBLEMA DE PROGRAMAÇÃO DE HORÁRIO ESCOLAR
Sistemas & Gestão 7 (2012), pp 326-335 UMA HEURÍSTICA GRASP+VND PARA O PROBLEMA DE PROGRAMAÇÃO DE HORÁRIO ESCOLAR Janio Gloria de Oliveira a, Dalessandro Soares Vianna a,b, Marcilene de Fátima Dianin Vianna
Leia maisTipos de problemas de programação inteira (PI) Programação Inteira. Abordagem para solução de problemas de PI. Programação inteira
Tipos de problemas de programação inteira (PI) Programação Inteira Pesquisa Operacional I Flávio Fogliatto Puros - todas as variáveis de decisão são inteiras Mistos - algumas variáveis de decisão são inteiras
Leia maisSimulated Annealing Aplicado ao Problema de Programação de Horário em Escolas
Simulated Annealing Aplicado ao Problema de Programação de Horário em Escolas Prof. Dr. Marcone Jamilson Freitas Souza marcone@iceb.ufop.br André Luiz G. dos Santos andre@nti.ufop.br Caio Yugi Yoneama
Leia maisalocação de custo têm que ser feita de maneira estimada e muitas vezes arbitrária (como o aluguel, a supervisão, as chefias, etc.
Professor José Alves Aula pocii Aula 3,4 Custeio por Absorção Custeio significa apropriação de custos. Métodos de Custeio é a forma como são apropriados os custos aos produtos. Assim, existe Custeio por
Leia maisProgramação Linear - Parte 4
Mestrado em Modelagem e Otimização - CAC/UFG Programação Linear - Parte 4 Profs. Thiago Alves de Queiroz Muris Lage Júnior 1/2014 Thiago Queiroz (DM) Parte 4 1/2014 1 / 18 Solução Inicial O método simplex
Leia maisExecutivo Cíclico. Executivo Cíclico Introdução. Sistemas de Tempo Real: Executivo Cíclico Introdução. Executivo Cíclico Exemplo
Sistemas de Tempo Real: Executivo Cíclico Rômulo Silva de Oliveira Departamento de Automação e Sistemas - DAS UFSC romulo@das.ufsc.br http://www.das.ufsc.br/~romulo Maio/2010 1 Executivo Cíclico Introdução
Leia maisTeoria dos Grafos. Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada. antunes@ibilce.unesp.br, socorro@ibilce.unesp.
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br Grafos e Algoritmos Preparado a partir do texto: Rangel, Socorro.
Leia mais13/09/2011. Atividades. Aula 5: REDE PERT/CPM PRINCÍPIOS DO PERT-CPM
Tecnologia em Logística e Transportes Métodos Quantitativos de Gestão PRINCÍPIOS DO PERT-CPM Prof. Msc. João Gilberto Mendes dos Reis Aula 5: REDE PERT/CPM Segundo Monks (1985), o método do caminho crítico
Leia maisUNIPAC Araguari FACAE - Faculdade de Ciências Administrativas e Exatas SISTEMAS DE INFORMAÇÃO
UNIPAC Araguari FACAE - Faculdade de Ciências Administrativas e Exatas SISTEMAS DE INFORMAÇÃO SAD Sistemas de Apoio à Decisão 2011/02 Aula Cinco crishamawaki@yahoo.com.br Modelos de decisão Sistemas de
Leia maisIntrodução em Engenharia. Problemas de Engenharia. Engenharia: Sérgio Haffner SÍNTESE. Conceitos Conceitos fundamentais 30.07.
Introdução à Otimização em Engenharia Problemas de Engenharia ANÁLISE Definido o sistema, determinar o desempenho Sérgio Haffner Conceitos Conceitos fundamentais 30.07.008 SÍNTESE Projetar um sistema para
Leia maisImplementação Paralela de uma Metaheurística GRASP com Path-Relinking para o Problema da Árvore Geradora de Custo Mínimo com Grupamentos
Implementação Paralela de uma Metaheurística GRASP com Path-Relinking para o Problema da Árvore Geradora de Custo Mínimo com Grupamentos Fabiano Vieira de Alvarenga, Marcelo Lisboa Rocha Marluce Rodrigues
Leia maisCAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES
CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios) não lineares; Equações transcendentais equações que envolvem funções
Leia maisAula 01 Introdução Custo de um algoritmo, Funções de complexidad e Recursão
MC3305 Algoritmos e Estruturas de Dados II Aula 01 Introdução Custo de um algoritmo, Funções de complexidad e Recursão Prof. Jesús P. Mena-Chalco jesus.mena@ufabc.edu.br 2Q-2015 1 Custo de um algoritmo
Leia maisAlgoritmos e Estruturas de Dados I. Variáveis Indexadas. Pedro O.S. Vaz de Melo
Algoritmos e Estruturas de Dados I Variáveis Indexadas Pedro O.S. Vaz de Melo Por que índices são importantes? Como uma loja de sapatos artesanais deve guardar os seus produtos? 1 2 3 4 Tamanhos entre
Leia maisCAPÍTULO 4. 4 - O Método Simplex Pesquisa Operacional
CAPÍTULO 4 O MÉTODO SIMPLEX 4 O Método Simplex caminha pelos vértices da região viável até encontrar uma solução que não possua soluções vizinhas melhores que ela. Esta é a solução ótima. A solução ótima
Leia maisMODELAGEM MATEMÁTICA DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA EM MÉDIA TENSÃO 1. Gabriel Attuati 2, Paulo Sausen 3.
MODELAGEM MATEMÁTICA DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA EM MÉDIA TENSÃO 1 Gabriel Attuati 2, Paulo Sausen 3. 1 Parte integrante do Projeto de pesquisa Análise, Modelagem e Desenvolvimento
Leia maisTeoria de Jogos. Algoritmo Minimax e Alfa-Beta AED - 2002
Teoria de Jogos Algoritmo Minimax e Alfa-Beta AED - 2002 Conceptualização do Problema Jogar pode ser visto como uma generalização do problema de procura em espaço de estados, em que existem agentes hostis
Leia maisManutenção total aplicada em ferramentarias
Manutenção total aplicada em ferramentarias Por: Sérgio Borcato Roberto Mariotti A medição da eficiência dos equipamentos de manufatura vem se tornando essencial para a resolução de problemas e para melhoria
Leia maisPESQUISA OPERACIONAL: NA TOMADA DE DECISÕES ADMINISTRATIVA
PESQUISA OPERACIONAL: NA TOMADA DE DECISÕES ADMINISTRATIVA Rodrigo de Oliveira SOUZA 1 Letícia Pinheiro Ribeiro da COSTA 1 Camila Pires Cremasco GABRIEL 22 Luís Roberto Almeida GABRIEL-FILHO 2 RESUMO:
Leia maisUm Algoritmo Evolutivo Híbrido para o Problema de Programação de Horários em Escolas
Um Algoritmo Evolutivo Híbrido para o Problema de Programação de Horários em Escolas Prof. Dr. Marcone Jamilson Freitas Souza Departamento de Computação, Universidade Federal de Ouro Preto, 354000.000,
Leia maisPROGRAMAÇÃO LINEAR. Formulação de problemas de programação linear e resolução gráfica
PROGRAMAÇÃO LINEAR Formulação de problemas de programação linear e resolução gráfica A programação linear surge pela primeira vez, nos novos programas de Matemática A no 11º ano de escolaridade. Contudo
Leia maisPLANEJAMENTO NA DIVISÃO DE TALHÕES PARA O PLANTIO DA CANA-DE- AÇÚCAR
PLANEJAMENTO NA DIVISÃO DE TALHÕES PARA O PLANTIO DA CANA-DE- AÇÚCAR Andréa Vianna, Adriana Cherri Faculdade de Ciências UNESP, Bauru vianna@fc.unesp.br, adriana@fc.unesp.br Helenice Florentino, Rômulo
Leia maisParte 05 - Técnicas de programação (mapas de Veitch-Karnaugh)
Parte 05 - Técnicas de programação (mapas de Veitch-Karnaugh) Mapas de Veitch-Karnaugh Montar circuitos lógicos a partir de tabela verdade, embora seja tarefa fácil, geral um circuito extremamente grande.
Leia maisLista 4 Introdução à Programação Entregar até 07/05/2012
Lista 4 Introdução à Programação Entregar até 07/05/2012 1. Um vendedor necessita de um algoritmo que calcule o preço total devido por um cliente. O algoritmo deve receber o código de um produto e a quantidade
Leia maisProgramação de Computadores I Estruturas de Repetição PROFESSORA CINTIA CAETANO
Programação de Computadores I Estruturas de Repetição PROFESSORA CINTIA CAETANO Introdução Existem situações onde é necessário repetir um determinado trecho de um programa um certo número de vezes. Assim,
Leia maisUM ESTUDO DO PLANEJAMENTO DE ROTAS AÉREAS COM MÚLTIPLOS DESTINOS. Kátia Yoshime Nakamura e Mariá Cristina Vasconcelos Nascimento
UM ESTUDO DO PLANEJAMENTO DE ROTAS AÉREAS COM MÚLTIPLOS DESTINOS Kátia Yoshime Nakamura e Mariá Cristina Vasconcelos Nascimento Instituto de Ciência e Tecnologia Universidade Federal de São Paulo (UNIFESP)
Leia maisMetodologias de Programação
Metodologias de Programação Bloco 1 José Paulo 1 Formador José António Paulo E-mail: questoes@netcabo.pt Telemóvel: 96 347 80 25 Objectivos Iniciar o desenvolvimento de raciocínios algorítmicos Linguagem
Leia maisESCALA DE JOGOS DE TORNEIOS ESPORTIVOS: UMA ABORDAGEM VIA SIMULATED ANNEALING
A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN ESCALA DE JOGOS DE TORNEIOS ESPORTIVOS: UMA ABORDAGEM VIA SIMULATED ANNEALING Fabrício Lacerda Biajoli Universidade Federal
Leia maisAvaliação e Desempenho Aula 1 - Simulação
Avaliação e Desempenho Aula 1 - Simulação Introdução à simulação Geração de números aleatórios Lei dos grandes números Geração de variáveis aleatórias O Ciclo de Modelagem Sistema real Criação do Modelo
Leia maisCAMPUS DE GUARATINGUETÁ FACULDADE DE ENGENHARIA. Introdução à Programação em C. Algoritmos: Estruturas de Repetição. Prof. Dr. Galeno.J.
Unesp UNIVERSIDADE ESTADUAL PAULISTA CAMPUS DE GUARATINGUETÁ FACULDADE DE ENGENHARIA Introdução à Programação em C Algoritmos: Estruturas de Repetição Prof. Dr. Galeno.J. de Sena Departamento de Matemática
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 04 Busca Heurística Edirlei Soares de Lima Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido.
Leia maisRomeu Reguengo Novembro 2012. Estruturas Pré-fabricadas em Betão
Estruturas Pré-fabricadas em Betão Introdução A pré-fabricação de edifícios surge na Europa, após a II Guerra Mundial, como forma de resposta rápida à falta de habitação nos países mais destruídos. O desenvolvimento
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 maisGRASP para o Problema do Caixeiro Viajante com Limite de Calado
GRASP para o Problema do Caixeiro Viajante com Limite de Calado Victor Mouffron Carvalho Machado, Luiz Satoru Ochi Universidade Federal Fluminense Rua Passo da Pátria, 156, São Domingos-Niterói - RJ E-mail:
Leia maisErros e Incertezas. Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.
Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.) I. INTRODUÇÃO Quando se faz um experimento, deseja-se comparar o resultado obtido
Leia maisUma Heurística GRASP Híbrida para um Problema de Otimização Combinatória Multiobjetivo
Uma Heurística GRASP Híbrida para um Problema de Otimização Combinatória Multiobetivo Dalessandro Soares Vianna (UCAM-Campos) dalessandro@ucam-campos.br Marcilene de Fátima Dianin Vianna (UCAM-Campos)
Leia maisIntrodução à Algoritmos. Aula 11
Introdução à Algoritmos Aula 11 Um programa de computador é um produto resultante da atividade intelectual. Essa atividade depende de um treinamento prévio em abstração e modelagem de problemas, bem como
Leia mais2. MÉTRICA DE QUANTIFICAÇÃO DE UNIDADES DE SERVIÇO TÉCNICO UST
PODER JUDICIÁRIO TRIBUNAL SUPERIOR ELEITORAL SECRETARIA DE TECNOLOGIA DA INFORMAÇÃO COORDENADORIA DE LOGÍSTICA Folha nº 1. INTRODUÇÃO Este anexo descreve a forma de mensuração dos serviços solicitados
Leia mais6 CONCEPÇÃO BÁSICA DO SISTEMA DE APOIO À DECISÃO
78 6 CONCEPÇÃO BÁSICA DO SISTEMA DE APOIO À DECISÃO Neste capítulo serão apresentados: o sistema proposto, o procedimento de solução para utilização do sistema e a interface gráfica, onde é ilustrada a
Leia maisAlgoritmos de Busca Local. Prof. Sheila Cáceres.Material baseado no livro de Inteligência Artificial de Russel e Norvig, Capítulo 4, Seções 3 4.
Algoritmos de Busca Local Prof. Sheila Cáceres. Material baseado no livro de Inteligência Artificial de Russel e Norvig, Capítulo 4, Seções 3 4. Prof. Sheila Cáceres.Material baseado no livro de Inteligência
Leia maisIntrodução à Programação. Funções e Procedimentos. Prof. José Honorato F. Nunes honoratonunes@gmail.com
Introdução à Programação Funções e Procedimentos Prof. José Honorato F. Nunes honoratonunes@gmail.com RESUMO DA AULA SUB-ROTINAS: Procedimentos Funções Escopo de variáveis Parâmetros Prof. José Honorato
Leia maisInspeção de Qualidade
Roteiro Inspeção de Qualidade 1. Inspeção para Aceitação 2. Planos de Amostragem Simples 3. Determinação Plano de Amostragem 4. Inspeção Retificadora 5. Plano de Amostragem Dupla 6. Planos de Amostragem
Leia maisMedidas de Tendência Central. Introdução Média Aritmética Moda Mediana
Medidas de Tendência Central Introdução Média Aritmética Moda Mediana Introdução A maioria dos dados apresenta uma tendência de se concentrar em torno de um ponto central Portanto, é possível selecionar
Leia maisOtimização por colônia de formigas Ant Colony Optimization ACO - Algoritmo de classificação
Otimização por colônia de formigas Ant Colony Optimization ACO - Algoritmo de classificação Gissely de Souza Universidade Federal do Paraná Disc. Aprendizagem de Máquina Prof. David Menotti Otimização
Leia maisAvaliação da eficiência mínima dos equipamentos de proteção respiratória.
Avaliação da eficiência mínima dos equipamentos de proteção respiratória. A norma NBR 13698 e a NBR 13697 tem como objetivo fixar condições mínimas exigidas para as Peças Semifaciais Filtrantes (PFF) e
Leia maisOnde está o peso extra? Série Problemas e Soluções. Objetivos 1. Estudar uma estratégia que valoriza ao máximo as informações disponíveis.
Onde está o peso extra? Série Problemas e Soluções Objetivos 1. Estudar uma estratégia que valoriza ao máximo as informações disponíveis. Onde está o peso extra? Série Problemas e soluções Conteúdos Lógica,
Leia maisÁrvore de Decisão. 3. Árvore de Decisão
Árvore de Decisão 3. Árvore de Decisão A árvore de decisão consiste de uma hierarquia de nós internos e externos que são conectados por ramos. O nó interno, também conhecido como nó decisório ou nó intermediário,
Leia maisPLANEJAMENTO E PROGRAMAÇÃO DA PRODUÇÃO. Mayara Condé Rocha Murça TRA-53 Logística e Transportes
PLANEJAMENTO E PROGRAMAÇÃO DA PRODUÇÃO Mayara Condé Rocha Murça TRA-53 Logística e Transportes Outubro/2013 Introdução O conjunto de atividades logísticas OBJETIVO Objetivos do serviço ao cliente O Produto
Leia maisUniversidade Federal de Santa Maria Centro de Ciências Naturais e Exatas Departamento de Física Laboratório de Teoria da Matéria Condensada
Universidade Federal de Santa Maria Centro de Ciências Naturais e Exatas Departamento de Física Laboratório de Teoria da Matéria Condensada Sistema de equações lineares e não lineares Tiago de Souza Farias
Leia mais2) Escreva um algoritmo que leia um conjunto de 10 notas, armazene-as em uma variável composta chamada NOTA e calcule e imprima a sua média.
1) Inicializar um vetor de inteiros com números de 0 a 99 2) Escreva um algoritmo que leia um conjunto de 10 notas, armazene-as em uma variável composta chamada NOTA e calcule e imprima a sua média 3)
Leia maisEventos, Tarefas,Tempos e Prazos
Eventos, Tarefas,Tempos e Prazos Um STR reage a eventos Evento do ambiente Eventos de um relógio do sistema Cada evento é processado por uma tarefa Eventos ocorrem em instantes de Tarefas ocupam do processador
Leia maisRegressão, Interpolação e Extrapolação Numéricas
, e Extrapolação Numéricas Departamento de Física Universidade Federal da Paraíba 29 de Maio de 2009, e Extrapolação Numéricas O problema Introdução Quem é quem Um problema muito comum na física é o de
Leia maisGESTÃO DA MANUTENÇÃO
Classificação Nível de Criticidade para Equipamentos S Q W Itens para avaliação Segurança cliente interno cliente externo meio-ambiente Qualidade Condição de trabalho Status Equipamento A B D P M Perdas
Leia maisHEURÍSTICAS GRASP PARA A MINIMIZAÇÃO DO ATRASO TOTAL NO PROBLEMA DE PROGRAMAÇÃO DE TAREFAS EM UMA MÁQUINA COM SETUP TIME
HEURÍSTICAS GRASP PARA A MINIMIZAÇÃO DO ATRASO TOTAL NO PROBLEMA DE PROGRAMAÇÃO DE TAREFAS EM UMA MÁQUINA COM SETUP TIME Gilberto Vinícius P. Nunes Departamento de Informática, Universidade Federal de
Leia mais5. O Mapa de Karnaugh
Objetivos 5. O Mapa de Karnaugh Usar um mapa de Karnaugh para simplificar expressões Booleanas Usar um mapa de Karnaugh para simplificar funções de tabela-verdade Utilizar condições don t care para simplificar
Leia maisESTUDO DO CONSUMO DE MATERIAIS E PRODUTIVIDADE DE MÃO DE OBRA EM REVESTIMENTOS ARGAMASSADOS 1
ESTUDO DO CONSUMO DE MATERIAIS E PRODUTIVIDADE DE MÃO DE OBRA EM REVESTIMENTOS ARGAMASSADOS 1 Maísa Bronstrup 2, Leonardo Gerlach Donatti 3. 1 Projeto de pesquisa realizado no Trabalho de Conclusão de
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 maisAlgoritmos e Estruturas de Dados I. Recursividade. Pedro O.S. Vaz de Melo
Algoritmos e Estruturas de Dados I Recursividade Pedro O.S. Vaz de Melo Problema Implemente uma função que classifique os elementos de um vetor em ordem crescente usando o algoritmo quicksort: 1. Seja
Leia maisPagamento de complemento de salário-maternidade, considerando que este valor deve ser deduzido da guia de INSS, pois é pago pelo INSS.
Complemento Salarial Licença Maternidade Abaixo estão descritas as regras do sistema para cálculo do complemento de salário-maternidade, no complemento salarial e na rescisão complementar por Acordo/Convenção/Dissídio:
Leia maisUM ALGORITMO PARA LIDAR COM O ROTEAMENTO DE VEÍCULOS CAPACITADOS
UM ALGORITMO PARA LIDAR COM O ROTEAMENTO DE VEÍCULOS CAPACITADOS Jeferson Silva Martins, jsm.ctl@gmail.com Thiago Alves de Queiroz, th.al.qz@catalao.ufg.br Resumo: Este trabalho apresenta um algoritmo
Leia mais}Escalonamento. Parte III - Sistemas Operacionais. Cap. 2 Processos. Escalonamento de Processos. Quando escalonar? Comportamento de Processos
Parte III - Sistemas Operacionais Cap. 2 Processos Prof. Marcelo Moreno moreno@ice.ufjf.br Escalonamento de Processos! Multiprogramação Diversos processos competem pela CPU Cabe ao sistema operacional
Leia maisDIRETRIZES PARA ESTRUTURAÇÃO DO TRABALHO DE CONCLUSÃO DE CURSO DE GRADUAÇÃO DO CURSO DE ENGENHARIA DE PRODUÇÃO
DIRETRIZES PARA ESTRUTURAÇÃO DO TRABALHO DE CONCLUSÃO DE CURSO DE GRADUAÇÃO DO CURSO DE ENGENHARIA DE PRODUÇÃO INTRODUÇÃO O curso de Engenharia de Produção da Escola Superior de Tecnologia e Educação de
Leia maisLinguagens de Programação:
Capítulo I : Noções Gerais 11 Linguagens de Programação: Como comunicar com o computador? Linguagem Máquina: Conjunto básico de instruções, em código binário, características de cada computador, correspondentes
Leia maisMétodo Simplex Revisado
Método Simplex Revisado Prof. Fernando Augusto Silva Marins Departamento de Produção Faculdade de Engenharia Campus de Guaratinguetá UNESP www.feg.unesp.br/~fmarins fmarins@feg.unesp.br Introdução Método
Leia maisOficina: Jogar para gostar e aprender matemática. Profa. Dra. Adriana M. Corder Molinari dri.molinari@uol.com.br
Oficina: Jogar para gostar e aprender matemática Profa. Dra. Adriana M. Corder Molinari dri.molinari@uol.com.br 1 Implicações do Jogo Quatro Cores: Para jogar bem, é preciso economia de cores e consideração
Leia maisMANUAL DO USUÁRIO SIMPLEX. Prof. Erico Fagundes Anicet Lisboa, M. Sc.
MANUAL DO USUÁRIO SIMPLEX Prof. Erico Fagundes Anicet Lisboa, M. Sc. erico@ericolisboa.eng.br Versão digital disponível na internet http://www.ericolisboa.eng.br RIO DE JANEIRO, RJ - BRASIL DEZEMBRO DE
Leia maisMATEMÁTICA FINANCEIRA NO ENSINO MÉDIO: APRIMORANDO O DESENPENHO DE ALUNOS E PROFESSORES
MATEMÁTICA FINANCEIRA NO ENSINO MÉDIO: APRIMORANDO O DESENPENHO DE ALUNOS E PROFESSORES Lílian Nasser (CETIQT/SENAI) - lnasser@im.ufrj.br Rosa Cordelia Novellino de Novaes (CEAN) - rsnovellino@yahoo.com.br
Leia maisTítulo do artigo. Alunos: Nome dos autores (até 3 alunos) 1 Orientador: Roberto Campos Leoni 2
Título do artigo Alunos: Nome dos autores (até 3 alunos) 1 Orientador: Roberto Campos Leoni 2 Resumo Este trabalho apresenta os elementos que constituem a estrutura básica de um artigo científico, bem
Leia maisSemana 7 Resolução de Sistemas Lineares
1 CÁLCULO NUMÉRICO Semana 7 Resolução de Sistemas Lineares Professor Luciano Nóbrega UNIDADE 1 2 INTRODUÇÃO Considere o problema de determinar as componentes horizontais e verticais das forças que atuam
Leia maisRESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START Gustavo Marques Zeferino, Flaviana M. de S. Amorim, Marcone Jamilson Freitas Souza, Moacir F. de F. Filho
Leia maisResolução de sistemas de equações lineares: Método de eliminação de Gauss
Resolução de sistemas de equações lineares: Método de eliminação de Gauss Marina Andretta ICMC-USP 21 de março de 2012 Baseado no livro Análise Numérica, de R L Burden e J D Faires Marina Andretta (ICMC-USP)
Leia maisEquivalente de produção. Equivalente de produção. Equivalente de produção. Para se fazer o cálculo, é necessário o seguinte raciocínio:
Custos Industriais Custeio por processo Prof. M.Sc. Gustavo Meireles 1 Na apuração de Custos por Processo, os gastos da produção são acumulados por período para apropriação às unidades feitas. Exemplo:
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.1. Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análise e Técnicas de Algoritmos Jorge Figueiredo Conceitos básicos Classes de de Complexidade P NP Redução Problemas NPC NP-Completude Introdução Existem alguns problemas computacionais que são
Leia maisANÁLISE EXPLORATÓRIA DE DADOS
ANÁLISE EXPLORATÓRIA DE DADOS 1.0 Conceitos A estatística descritiva tem o objetivo de organizar, resumir e apresentar de forma adequada os dados, para que estes se tornem informativos. A análise exploratória
Leia maisO cilindro deitado. Eduardo Colli
O cilindro deitado Eduardo Colli São poucas as chamadas funções elementares : potências e raízes, exponenciais, logaritmos, funções trigonométricas e suas inversas, funções trigonométricas hiperbólicas
Leia mais1. Noção de algoritmo
1. Noção de algoritmo Em português, a palavra algoritmo quer dizer operação ou processo de cálculo, entre outras definições possíveis (Dicionário Brasileiro de Língua Portuguesa, Mirador Internacional,
Leia maisEngenharia Econômica
UNIVERSIDADE FEDERAL DE PERNAMBUCO UFPE CENTRO ACADÊMICO DO AGRESTE NÚCLEO DE TECNOLOGIA ENGENHARIA CIVIL Engenharia Econômica Aula I Professora Jocilene Otilia da Costa, Dra Conteúdo Juros Simples Juros
Leia maisREFERENCIAL DE ANÁLISE DE MÉRITO DO PROJETO AVISO N.º 02/SAICT/2016
\ REFERENCIAL DE ANÁLISE DE MÉRITO DO PROJETO AVISO N.º 02/SAICT/2016 SISTEMA DE APOIO À INVESTIGAÇÃO CIENTÍFICA E TECNOLÓGICA (SAICT) PROJETOS DE INVESTIGAÇÃO CIENTÍFICA E DESENVOLVIMENTO TECNOLÓGICO
Leia maisHeurística GRASP para o problema de p-medianas aplicado à localização de concentradores
Heurística GRASP para o problema de p-medianas aplicado à localização de concentradores Heurística GRASP para o problema de p-medianas aplicado à localização de concentradores GRASP heuristic for p-median
Leia maisA. Equações não lineares
A. Equações não lineares 1. Localização de raízes. a) Verifique se as equações seguintes têm pelo menos uma solução nos intervalos dados: i) (x - 2) 2 ln(x) = 0, em [1, 2] e [e, 4]. ii) 2 x cos(x) (x 2)
Leia mais- Campus Salto. Disciplina: Sistemas de Arquivos Docente: Fernando Santorsula E-mail: fernandohs@ifsp.edu.br
Disciplina: Sistemas de Arquivos Docente: Fernando Santorsula E-mail: fernandohs@ifsp.edu.br Sistemas de Arquivos- Parte 2 Pontos importantes de um sistema de arquivos Vários problemas importantes devem
Leia maisO que é Microsoft Excel? Microsoft Excel. Inicialização do Excel. Ambiente de trabalho
O que é Microsoft Excel? Microsoft Excel O Microsoft Excel é um programa para manipulação de planilhas eletrônicas. Oito em cada dez pessoas utilizam o Microsoft Excel pra trabalhar com cálculos e sistemas
Leia maisINVESTIGAÇÃO OPERACIONAL. Programação Linear. Exercícios. Cap. III Método Simplex
INVESTIGAÇÃO OPERACIONAL Programação Linear Eercícios Cap. III Método Simple António Carlos Morais da Silva Professor de I.O. INVESTIGAÇÃO OPERACIONAL (MS edição de 006) i Cap. III - Método Simple - Eercícios
Leia maisA Dança do Embaralhamento. Série Matemática na Escola. Objetivos 1. Introduzir a noção de grupo de permutação; 2. Mostrar uma aplicação de MMC.
A Dança do Embaralhamento Série Matemática na Escola Objetivos 1. Introduzir a noção de grupo de permutação; 2. Mostrar uma aplicação de MMC. A dança do embaralhamento Série Matemática na Escola Conteúdos
Leia maisUM SOFTWARE INTERATIVO PARA O ALGORITMO SIMPLEX EM PROGRAMAÇÃO LINEAR
UM SOFTWARE INTERATIVO PARA O ALGORITMO SIMPLEX EM PROGRAMAÇÃO LINEAR Leizer de Lima Pinto PESC / COPPE / UFRJ Cidade Universitária, Rio de Janeiro, RJ, Brasil leizer@cos.ufrj.br Cláudio Thomás Bornstein
Leia mais1 Introdução. 1.1 Importância da Utilização da Amostragem
1 Introdução Um dos principais objetivos da maioria dos estudos, análises ou pesquisas estatísticas é fazer generalizações seguras com base em amostras, sobre as populações das quais as amostras foram
Leia maisProjeto e implementação de um sistema de levitação magnética microcontrolado
Projeto e implementação de um sistema de levitação magnética microcontrolado "O projeto desenvolvido representa a integração de diversas ferramentas da Plataforma LabVIEW demonstrando todas as etapas do
Leia maisEscalonamento de Processos
Sistemas Operativos 3º ano ESI e IGE (2010/2011) Engenheiro Anilton Silva Fernandes (afernandes@ipiaget.net) 2/ Acto de realizar o chaveamento de processos prontos para executar de acordo com regras bem
Leia maisPROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS FLOW SHOP UTILIZANDO UM MÉTODO HEURÍSTICO HÍBRIDO ALGORITMO GENÉTICO- SIMULATED ANNEALING
PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS FLOW SHOP UTILIZANDO UM MÉTODO HEURÍSTICO HÍBRIDO ALGORITMO GENÉTICO- SIMULATED ANNEALING v.7, n.3, p.364-377, dez. 2000 Walther Rogério Buzzo João Vitor Moccellin Escola
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 mais19/9/2011. Canais de distribuição. Introdução
Canais de distribuição Gestão da distribuição Prof. Marco Arbex Introdução Toda produção visa a um ponto final, que é entregar os seus produtos ao consumidor; Se o produto não está disponível na prateleira,
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roteirização e Programação de Veículos PNV-2450 André Bergsten Mendes HEURÍSTICA DE INSERÇÃO DE SOLOMON (VRPTW) Exercício Para o problema de roteirização com janela de tempo
Leia mais. (A verificação é imediata.)
1 Universidade de São Paulo/Faculdade de Educação Seminários de Ensino de Matemática (SEMA-FEUSP) Coordenador: Nílson José Machado novembro/2010 Instabilidade em Sistemas de Equações Lineares Marisa Ortegoza
Leia maisAnálise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível
Análise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível Antonio G. RODRIGUES, Leandro T. HOFFMANN e Arthur T. GÓMEZ Universidade do Vale
Leia maisDeterminantes. Matemática Prof. Mauricio José
Determinantes Matemática Prof. Mauricio José Determinantes Definição e Conceito Matriz de ordem 1 Dizemos que um determinante é um resultado (numérico) de operações que são realizadas em uma matriz quadrada.
Leia maisTécnicas estatísticas para análise de dados e de resultados de modelos de simulação
Parte XIV Técnicas estatísticas para análise de dados e de resultados de modelos de simulação A saída de um modelo de simulação geralmente constitui-se de VA s, muitas das quais podem ter variância grande.
Leia mais