PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS FLOWSHOP UTILIZANDO UM MÉTODO HEURÍSTICO HÍBRIDO ALGORITMO GENÉTICO-BUSCA TABU
|
|
- Roberto Carvalhal César
- 7 Há anos
- Visualizações:
Transcrição
1 PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS FLOWSHOP UTILIZANDO UM MÉTODO HEURÍSTICO HÍBRIDO ALGORITMO GENÉTICO-BUSCA TABU João Vitor Moccellin Escola de Engenharia de São Carlos - USP Caixa Postal 359, São Carlos-SP jvmoccel@prod.eesc.sc.usp.br ABSTRACT: in this paper we introduce a hybrid Genetic Algorithm-Tabu Search heuristic for the minimal makespan flow shop sequencing problem. In order to evaluate the performance of the hybrid metaheuristic we compare it with pure Genetic Algorithm and Tabu Search heuristics. The results from computational experience are discussed. KEYWORDS : flow shop sequencing, genetic algorithm, tabu search. RESUMO: neste artigo é apresentado um método heurístico híbrido Algoritmo Genético - Busca Tabu para o problema de programação de operações flow shop permutacional com o objetivo de minimizar a duração total da programação. Com o propósito de avaliar seu desempenho, o método híbrido é comparado com métodos puros Algoritmo Genético e Busca Tabu por meio de uma experimentação computacional. PALAVRAS CHAVE : programação flow shop permutacional, algoritmo genético, busca tabu. 1 - INTRODUÇÃO O problema de Programação de Operações Flow Shop Permutacional é um problema típico de instalações de manufatura onde as tarefas (peças) são movidas de uma máquina para outra por meio de algum equipamento de movimentação de materiais.
2 As principais hipóteses do problema são: i) Os tempos de processamento das tarefas nas diversas máquinas são determinados e fixos; ii) As tarefas têm a mesma data de liberação, a partir da qual qualquer uma pode ser programada e executada; iii) Os tempos de preparação das operações nas diversas máquinas são incluídos nos tempos de processamento e independem da seqüência de operações em cada máquina; iv) As operações nas diversas máquinas, uma vez iniciadas não devem ser interrompidas. A solução do problema consiste em determinar dentre as (n!) seqüências possíveis das tarefas aquela que otimiza uma determinada Medida de Desempenho da programação, geralmente associada ao fator tempo. Neste trabalho adota-se como função-objetivo a Duração Total da Programação (makespan), ou seja, o intervalo de tempo entre o início de execução da primeira tarefa na primeira máquina e o término de execução da última tarefa na última máquina. Na teoria que estuda a complexidade dos problemas de natureza combinatorial, o problema em questão é classificado como NP-hard ( GAREY et al., 1976 ) de forma que pode ser resolvido eficientemente de maneira ótima somente em casos de pequeno porte. Nas últimas três décadas, um extenso esforço de pesquisa tem sido dedicado à solução do problema. Técnicas de Programação Matemática, tais como Programação Linear Inteira, SELEN & HOTT (1986), WILSON (1989), e técnicas de enumeração do tipo branch-and-bound, IGNALL & SCHRAGE (1965), POTTS (1980), têm sido empregadas para a solução ótima do problema. Entretanto, tais técnicas não são eficientes em termos computacionais, em problemas de médio e grande porte. Assim, muitos métodos heurísticos têm sido propostos para a solução do problema de programação flow shop permutacional. Os métodos heurísticos podem ser classificados de diversas formas, uma das quais classifica-os em construtivos ou melhorativos. No caso dos métodos construtivos, a seqüência adotada como solução do problema é obtida: i) diretamente a partir da ordenação das tarefas segundo índices de prioridade calculados em função dos tempos de processamento das tarefas, como por exemplo: PALMER (1965) e GUPTA (1971);
3 ii) ou escolhendo-se a melhor seqüência das tarefas a partir de um conjunto de seqüências também obtidas utilizando-se índices de prioridade associados às tarefas. Neste caso, podem ser citados: CAMPBELL, DUDEK & SMITH (1970) e HUNDAL & RAJGOPAL (1988); iii) ou ainda, a partir da geração sucessiva de seqüências parciais das tarefas (subseqüências) até a obtenção de uma seqüência completa através de algum critério de inserção de tarefas, como por exemplo: NEH (NAWAZ, ENSCORE & HAM, 1983). No caso dos métodos melhorativos, obtém-se uma solução inicial e posteriormente através de algum procedimento iterativo (geralmente envolvendo trocas de posições das tarefas na seqüência) busca-se obter uma seqüência das tarefas melhor que a atual quanto à medida de desempenho adotada. Na categoria dos métodos melhorativos destacam-se os procedimentos de busca em vizinhança, como por exemplo DANNENBRING (1977), considerado um método de busca simples. Mais recentemente, foram desenvolvidos métodos de busca em vizinhança de maior complexidade (Busca Tabu e Simulated Annealing) que têm sido alvo de grande interesse na comunidade científica em função de aplicações bem sucedidas reportadas na literatura. Exemplos de aplicações dessas técnicas para o problema em questão são encontrados em WIDMER & HERTZ (1989), OSMAN & POTTS (1989), OGBU & SMITH (1990, 1991), TAILLARD (1990, 1993), REEVES (1993), MOCCELLIN (1995), ISHIBUCHI, MISAKI & TANAKA (1995), ZEGORDI, ITOH & ENKAWA (1995), NOWICKI & SMUTNICKI (1996) e MOCCELLIN & NAGANO (1998). Outra técnica que pode ser considerada do tipo melhorativo, também de desenvolvimento relativamente recente, denominada Algoritmo Genético, tem despertado interesse pela sua capacidade de solução de problemas de natureza combinatorial. REEVES (1995) utilizou o Algoritmo Genético na solução do problema de Programação de Operações Flow Shop Permutacional, com o objetivo de minimizar a duração total da programação. Os métodos heurísticos Busca Tabu (BT), Simulated Annealing (SA) e Algoritmo Genético (AG), conhecidos pelo termo metaheurísticas, consistem de procedimentos de busca no espaço de soluções, definidos por estratégias que exploram apropriadamente a topologia de tal espaço. O sucesso das metaheurísticas se deve a fatores como: i) alusão a mecanismos de otimização da natureza (nos casos do Algoritmo Genético e do Simulated Annealing); ii) aplicabilidade geral da abordagem; iii) facilidade de implementação e iv) qualidade da solução obtida aliada a um esforço computacional relativamente baixo.
4 2 - MÉTODOS METAHEURÍSTICOS HÍBRIDOS Uma idéia interessante que tem despertado gradativa atenção refere-se ao desenvolvimento de métodos heurísticos híbridos utilizando as metaheurísticas Busca Tabu, Simulated Annealing e Algoritmo Genético. Assim, o objetivo é combinar as técnicas preservando suas características de ação inteligente, de tal forma que o procedimento resultante seja mais eficaz do que qualquer um dos seus componentes isoladamente. Na literatura são reportados alguns trabalhos como: LIN, KAO & HSU (1991) que integraram Simulated Annealing e Algoritmo Genético para resolver problemas do caixeiro-viajante; FOX (1992) que criou um procedimento híbrido combinando as três metaheurísticas; MITTENTHAL, RAGHAVACHARI & RANA (1992) que desenvolveram um método Simulated Annealing Híbrido para a programação de operações em máquina única com funções de penalidade não-regulares; KIM, NARA & GEN (1994) que propuseram um método para a programação de manutenção utilizando o Algoritmo Genético combinado com o Simulated Annealing; GLOVER, KELLY & LAGUNA (1995) que estudaram formas de explorar as semelhanças e diferenças entre Busca Tabu e Algoritmo Genético; ROACH & NAGI (1996) que desenvolveram um metaheurístico híbrido Simulated Annealing - Algoritmo Genético para a programação em ambiente Just-in-Time de montagens em múltiplos níveis e PIRLOT (1996) que faz referência a métodos híbridos que combinam Busca Tabu e Simulated Annealing e também Busca Tabu e Algoritmo Genético. Com relação ao problema de Programação de Operações Flow Shop, são encontrados na literatura o trabalho de DÍAZ (1996) que utilizou uma solução inicial melhorada pelo Simulated Annealing como ponto inicial para a utilização da Busca Tabu, tendo como função-objetivo a minimização do atraso na execução das tarefas, e MURATA, ISHIBUCHI & TANAKA (1996) que propuseram um algoritmo híbrido denominado Genetic Simulated Annealing para o problema de minimização do makespan. Neste trabalho é apresentado um método metaheurístico híbrido para o problema de Programação de Operações Flow Shop Permutacional, denominado HBGATS, com o objetivo de minimizar o makespan utilizando-se Busca Tabu e Algoritmo Genético. Com o propósito de avaliar a eficácia da hibridização, o método HBGATS é comparado, através de experimentação computacional, com
5 métodos metaheurísticos puros que foram utilizados na sua concepção. A seguir são sucintamente descritos os métodos de Busca Tabu e Algoritmo Genético. 3 - BUSCA TABU A técnica de Busca Tabu é útil para encontrar uma boa solução, ou possivelmente a solução ótima de problemas do tipo: Minimizar c(x), sujeito a x X, onde c(x) é uma função de uma variável discreta x, e X é o conjunto de soluções viáveis. Um passo da Busca Tabu inicia com uma solução viável atual x X, à qual é aplicada uma função m M(x) que transforma x em x', sendo x' uma nova solução viável (x' = m(x)). Esta transformação é denominada uma mudança e o conjunto {x' : x' = m(x); x, x' X; m M(x)} é denominado vizinhança de x. Com o objetivo de evitar, o tanto quanto possível, a formação de ciclos nas mudanças, um elemento t é associado a m e x. Este elemento define um conjunto de mudanças que são tabu (ou seja, proibidas) e que são guardadas em uma Lista T denominada Lista Tabu. Especificamente, o elemento t proíbe a aplicação de m' em x', o que poderia fazer com que x' se transformasse de volta em x, podendo proibir também outros tipos de mudanças. Os elementos da lista T definem todas as mudanças proibidas que não podem ser efetuadas pela solução considerada atual (solução corrente). Em termos práticos, o tamanho da lista T não pode continuamente crescer, sendo limitado por um parâmetro s, denominado tamanho da Lista Tabu. Se T = s, antes de incluir um novo elemento t na lista Tabu, deve-se remover um outro elemento, que é geralmente o mais antigo. Desta forma, caracteriza-se uma aplicação da técnica de Busca Tabu através dos seguintes componentes: (a) O conjunto M(x) de mudanças associadas a uma solução viável x (vizinhança); (b) O tipo dos elementos do conjunto T, o qual define as mudanças tabu, ou seja, proibidas (Lista Tabu); (c) O tamanho s do conjunto T (tamanho da Lista Tabu); (d) Uma condição de parada do processo de busca de melhores soluções viáveis x'.
6 A característica relevante da Busca Tabu refere-se à capacidade de não ficar restrita às soluções ótimas locais, explorando os vales do espaço de soluções na tentativa de obtenção da solução ótima global. Uma descrição completa e detalhada da Técnica de Busca Tabu pode ser encontrada em GLOVER (1995). 4 - ALGORITMO GENÉTICO O Algoritmo Genético foi desenvolvido por HOLLAND (1975), sendo derivado de uma analogia com o processo evolucionário de seleção natural e tem sido utilizado em diversas aplicações. Na terminologia do Algoritmo Genético, um cromossomo representa uma solução para o problema em estudo, sendo constituído de um conjunto de genes cada qual representando uma característica específica do cromossomo. O valor associado à característica de cada gene é denominado Alelo. Uma população é constituída de um conjunto de cromossomos, sendo refeita (atualizada, renovada) após cada geração. Um elemento fundamental do algoritmo é o operador genético denominado operador de cruzamento o qual combina dois cromossomos para gerar cromossomos filhos que mantêm certas características básicas dos cromossomos pais. Além desse operador, geralmente é considerado um outro denominado operador de mutação o qual introduz aleatoriamente transformações ou novas informações em uma população. Na aplicação do Algoritmo Genético para solução do problema de Programação de Operações Flow Shop Permutacional, um cromossomo representa uma possível seqüência das tarefas e os genes representam as tarefas. Basicamente, um Algoritmo Genético apresenta a seguinte estrutura: INÍCIO i := 0. Inicializar uma população G( i ) com N soluções viáveis.
7 REPETIR Selecionar os pais de G( i ) observando o valor da função-objetivo (Reprodução). Aplicar o operador de cruzamento nos pais. Aplicar, se for o caso, o operador mutação e obter a geração G(i + 1). i := i + 1. ATÉ UMA CONDIÇÃO DE PARADA FIM. A força de um Algoritmo Genético baseia-se na hipótese de que a melhor solução se encontra em regiões do espaço de soluções viáveis que contêm uma grande proporção relativa de boas soluções e que tais regiões podem ser identificadas através de uma amostragem minuciosa do espaço de soluções. Detalhes e uma descrição completa do Algoritmo Genético são encontrados em GOLDBERG (1989). 5 - O NOVO MÉTODO METAHEURÍSTICO HÍBRIDO O método híbrido apresentado neste trabalho foi concebido com base nos seguintes parâmetros quantitativos e não-quantitativos : a) Soluções Iniciais : As soluções iniciais do método híbrido são fornecidas pelo NEH (NAWAZ, ENSCORE & HAM, 1983) e FSHOPH (MOCCELLIN, 1995). As mesmas soluções iniciais são utilizadas no Algoritmo Genético puro que é comparado com o híbrido. Por sua vez, no método Busca Tabu puro utilizado na experimentação computacional, a solução inicial é a melhor dentre as fornecidas pelo NEH e FSHOPH. b) Vizinhança : Foi utilizado o tipo de Vizinhança de Inserção (Shift Neighbourhood), onde uma seqüência vizinha é obtida da seqüência atual removendo-se uma tarefa de sua posição e inserindo-a em uma outra posição.
8 c) Formas de Busca na Vizinhança : Foi empregada a busca parcial aleatória, que consiste no exame parcial da vizinhança, ou seja, apenas uma parcela Nvp(S) do número total de vizinhos é avaliada, a qual é gerada aleatoriamente. A parcela da vizinhança, baseada no trabalho desenvolvido por MOCCELLIN & NAGANO (1998), é dada pelas expressões: Nvp(S) = p (n - 1) 2, para n 30 Nvp(S) = p [ exp (-0,04(n - 30))], para n >30 onde p é um parâmetro obtido experimentalmente e n é o número de tarefas a serem programadas. d) Condição de Parada : O método híbrido encerra a busca por melhores soluções após um número TNbS(m,n) prédeterminado de seqüências avaliadas de acordo com a Tabela 1. Tais números foram obtidos por experimentação prévia : para cada classe de problema (número de máquinas m, número de tarefas n), o valor TNbS(m,n) corresponde ao número médio de seqüências avaliadas utilizando-se o método heurístico de Busca tabu FShop.TS5 ( MOCCELLIN & NAGANO, 1998 ). número de (máquinas, TNbS(m,n) tarefas) número de (máquinas, TNbS(m,n) tarefas) número de (máquinas, TNbS(m,n) tarefas) (4, 20) 9693 (7, 20) (10, 20) (4, 30) (7, 30) (10, 30) (4, 40) (7, 40) (10, 40) (4, 50) (7, 50) (10, 50) (4, 60) (7, 60) (10, 60) (4, 70) (7, 70) (10, 70) (4, 80) (7, 80) (10, 80) (4, 90) (7, 90) (10, 90) (4, 100) (7, 100) (10, 100) Tabela 1 - condição de parada
9 e) Tamanho da Lista Tabu : O tamanho da lista tabu é adotado igual a 7 (sete) conforme sugerido por GLOVER (1989). Na lista são registrados, a cada movimento, a tarefa que mudou de posição e a posição que ela ocupava na solução corrente anterior. i) Operador Reprodução : No método híbrido e no Algoritmo Genético puro, a reprodução é efetuada sobre a população constituída pelas duas seqüências pais e duas seqüências filhos. As duas seqüências que apresentarem as menores durações totais de programação são selecionadas para a aplicação do operador de cruzamento. j) Operador de Cruzamento : A partir dos resultados reportados por MOTA (1996), foi selecionado o Operador de Um Corte (One Point Crossover), o qual é descrito a seguir e ilustrado pela Figura 1. PASSO 1: Escolha um ponto para se dividir cada pai, em duas subseqüências; PASSO 2: A solução filho é gerada através da união de duas subseqüências, uma de cada pai, na sua posição absoluta; PASSO 3: Para evitar a inviabilidade da solução filho, troca-se as tarefas duplicadas por aquelas que faltam para completar a solução filho. Pai 1: Filho 1: Μ 0 1 Pai 2: Filho 2: Μ 1 1 Figura 1 - exemplo de cruzamento de um corte.
10 k) Operador de Mutação: Conforme já mencionado, este operador é necessário para a introdução e a manutenção da diversidade genética da população. Apesar da sua relativa importância, ele não é utilizado no método híbrido, uma vez que tal função é realizada pelo procedimento de Busca Tabu O ALGORITMO HBGATS Com o propósito de ilustrar a concepção do algoritmo HBGATS, os passos 1, 2 e 3 referem-se à parte Algoritmo genético, enquanto que os passos 4 e 5 (em itálico) correspondem à parte Busca Tabu. PASSO 1) Seleção dos pais: obtenha a seqüência inicial 1 (NEH) e a seqüência inicial 2 (solução inicial do FSHOPH). s 1 := seqüência inicial 1 s 2 := seqüência inicial 2 f(s 1 ) := makespan da seqüência inicial 1 f(s 2 ) := makespan da seqüência inicial 2. Se f(s 1 ) f(s 2 ) então BS := s 1 BM := f(s 1 ) {melhor solução já obtida} {makespan da melhor solução} Caso contrário, BS := s 2 e BM := f(s 2 ). Enquanto o número total de seqüências geradas e avaliadas TNbS(m,n) : PASSO 2) Aplicar o operador de cruzamento em s 1 e s 2 : s 1 s 2 s 3 e s 4 (onde s 3 e s 4 são os descendentes) Ordenar as seqüências em ordem crescente de makespan f(s) PASSO 3) Selecionar as 2 seqüências que apresentam os 2 menores makespans s 1 := seq[1] f(s 1 ) := f( seq[1] ) {seqüência com o primeiro melhor makespan} {makespan da primeira melhor seqüência}
11 s 2 := seq.[2] f(s 2 ) := f( seq[2] ) {seqüência com o segundo melhor makespan} {makespan da segunda melhor seqüência} Se f(s 1 ) < BM então BS := seq[1] BM := f( seq[1] ) PASSO 4) Gerar a vizinhança de inserção parcial aleatória de s 1 (número de vizinhos Nvp(S) ) e determinar a melhor seqüência vizinha s* (a de menor makespan), utilizando a técnica de Busca Tabu. s 1 := s* f(s 1 ) := f(s*) Se f(s 1 ) < BM então BS := s 1 BM := f(s 1 ) PASSO 5) Gerar a vizinhança de inserção parcial aleatória de s 2 (número de vizinhos Nvp(S) ) e determinar a melhor seqüência vizinha s** (a de menor makespan), utilizando a técnica de Busca Tabu. s 2 := s** f(s 2 ) := f(s**) Se f(s 2 ) < BM então BS := s 2 BM := f(s 2 ) PASSO 6) Tomar as seqüências s 1 e s 2 e aplicar o procedimento descrito a partir do Passo 2 Resultados: BS : a melhor seqüência das tarefas (solução do problema); BM : valor do makespan ou duração total da programação das tarefas segundo BS.
12 6 - AVALIAÇÃO DO MÉTODO HÍBRIDO O método metaheurístico híbrido foi avaliado em comparação com o desempenho dos metaheurísticos puros que foram utilizados na sua composição. O método de Busca Tabu utilizado foi o FShop.TS5 (MOCCELLIN & NAGANO, 1998), com uma modificação em relação à solução inicial, conforme já salientado, a qual é a melhor dentre as fornecidas pelo NEH e FSHOPH. O algoritmo genético puro, denominado 1xGA, é um algoritmo genético simples que utiliza os mesmos operadores de reprodução e cruzamento do método híbrido. Quanto ao operador de mutação, que no híbrido é substituído pelo procedimento de Busca Tabu, no algoritmo 1xGA podem ser utilizados três operadores. O mutação 1 consiste em escolher aleatoriamente uma tarefa e trocála de posição com a sua subseqüente. O operador mutação 2 troca aleatoriamente as posições de duas tarefas quaisquer da seqüência. Por sua vez, o mutação 3 escolhe ao acaso um ponto para se dividir a seqüência em duas subseqüências, as quais têm suas posições relativas invertidas. Pode-se notar que os operadores de mutação propostos têm graus de perturbação crescentes. O operador mutação 1 é aplicado toda vez que não houver melhoria na melhor seqüência até então obtida, após 0,01TNbS(m,n) seqüências sucessivas geradas e avaliadas. O mutação 2 é utilizado se não houver melhoria após 0,027TNbS(m,n) seqüências sucessivas. O operador mutação 3, que causa uma maior modificação na seqüência gerada é aplicado após 0,10TNbS(m,n) seqüências sucessivas sem melhoria quanto à melhor solução até o momento obtida. Os coeficientes 0,01 ; 0,027 e 0,10 foram estabelecidos em função do grau de perturbação de cada operador e também de forma que não haja a possibilidade de aplicação simultânea de dois ou dos três operadores EXPERIMENTAÇÃO COMPUTACIONAL Foram gerados aleatoriamente 540 problemas, com 20 problemas para cada classe ( número de máquinas m, número de tarefas n ), envolvendo 27 classes de acordo com m {4, 7, 10} e n {20, 30, 40, 50, 60, 70, 80, 90, 100}. Os tempos de processamento das operações das tarefas foram gerados aleatoriamente de uma distribuição uniforme com valores inteiros no intervalo [1, 100]. O parâmetro experimental e sensível do método híbrido é o coeficiente p, o qual foi examinado no conjunto { 0,2 0,4 0,6 0,8 1,0 }. Na experimentação computacional, o
13 equipamento utilizado foi um microcomputador Pentium II 266 Mhz e todos os algoritmos foram implementados em Turbo Pascal ANÁLISE DOS RESULTADOS A análise dos resultados foi efetuada em função de duas estatísticas : a Porcentagem de Sucesso e a Melhoria Relativa. A porcentagem de sucesso é calculada pelo número de vezes em que o método obteve a melhor solução, dividido pelo número total de problemas avaliados. Obviamente, quando dois ou mais métodos obtêm a melhor solução para um mesmo problema todos eles alcançam sucesso e consequentemente suas porcentagens de sucesso são simultaneamente melhoradas. A melhoria relativa mede o percentual de redução da Duração Total da Programação em relação à solução inicial. É importante ressaltar que todos os métodos comparados entre si têm a mesma solução inicial. A melhoria relativa MR é obtida pela seguinte expressão : MR = (M1 - M) / M1 onde M1 = makespan da solução inicial, e M = makespan da melhor seqüência que foi encontrada pelo método heurístico. Na experimentação computacional, os tempos de computação não foram considerados significativos para a avaliação dos diversos métodos, uma vez que as diferenças não foram relevantes. Nos problemas de pequeno porte ( 20 tarefas ), o tempo médio de computação variou entre 0,31 e 0,84 segundos. Nos problemas de maior porte ( 100 tarefas ) tal variação foi de 19 a 42 segundos. Os principais resultados encontram-se nas Tabelas 2 e 3, os quais são ilustrados pelas Figuras 2 e 3, respectivamente. Os melhores resultados foram obtidos para o coeficiente p igual a 0,4.
14 número de tarefas 1xGA (%) FShop.TS5 (%) HBGATS (%) 20 18,3 73,3 81, ,6 71,6 76, ,0 73,3 81, ,0 73,3 85, ,0 71,6 86, ,6 78,3 88, ,0 71,6 86, ,3 78,3 90, ,3 71,6 93,3 Tabela 2 - porcentagem de sucesso ( p = 0,4 ) porcentagem de sucesso (%) xGA Fshop.TS5 HBGATS número de tarefas Figura 2 - porcentagem de sucesso ( p = 0,4 )
15 número de tarefas 1xGA (%) FShop.TS5 (%) HBGATS (%) 20 0,07 1,59 1, ,05 1,58 1, ,04 1,28 1, ,02 1,03 1, ,0 0,83 0, ,0 0,57 0, ,0 0,58 0, ,0 0,49 0, ,0 0,34 0,44 Tabela 3 - melhoria relativa ( p = 0,4 ) 4,0 3,5 3,0 melhoria relativa (%) 2,5 2,0 1,5 1xGA Fshop.TS5 HBGATS 1,0 0,5 0, número de tarefas Figura 3 - melhoria relativa ( p = 0,4 )
16 Os resultados obtidos mostram que o HBGATS apresenta um desempenho superior em todas as faixas em função do número de tarefas ( 20 a 100 ), tanto com relação à Porcentagem de Sucesso quanto em relação à Melhoria Relativa. Dois aspectos que se salientam são : o primeiro refere-se aos desempenhos relativos estáveis dos três métodos, uma vez que o HBGATS sempre obteve o melhor desempenho, seguido do FShop.TS5 e posteriormente do 1xGA. O segundo diz respeito aos pequenos valores das Melhorias Relativas. Isto é devido ao fato da solução inicial dos métodos ser de melhor qualidade ( na maioria dos casos a solução do NEH ). Melhorias Relativas pequenas quando a solução inicial for boa não significa que o método não é eficaz. Obviamente, se a solução inicial for ótima a melhoria relativa será sempre nula. Uma observação interessante refere-se ao desempenho do Algoritmo Genético puro 1xGA quanto à Melhoria Relativa : os resultados ilustrados na Figura 3 indicam que o operador de 1 CORTE praticamente não consegue melhorar a solução inicial. 7 - CONSIDERAÇÕES FINAIS Em função dos resultados experimentais obtidos, pode-se dizer que a pesquisa relatada neste artigo atingiu os seus objetivos e mostrou ser correta a expectativa quanto a métodos metaheurísticos híbridos para a minimização da duração total da programação em ambiente flow shop permutacional, ou seja, um método híbrido pode ser desenvolvido de maneira a agregar as características vantajosas dos métodos metaheurísticos puros. 8 - BIBLIOGRAFIA CAMPBELL, H.G., DUDEK, R.A. and SMITH, M.L. (1970), A Heuristic Algorithm for the n-job, m-machine Sequencing Problem, Management Science 16/B, DANNENBRING, D.G. (1977), An Evaluation of Flow-Shop Sequencing Heuristics, Management Science 23, DÍAZ, B.A. (1996), An SA/TS Mixture Algorithm for the Scheduling Tardiness Problem, European Journal of Operational Research 88, FOX, B. (1992), Integrating and Accelerating Tabu Search, Simulated Annealing, and Genetic Algorithms, Annals of Operations Research 41, GAREY, M.R., JOHNSON, D.S. and SETHI, R. (1976), The Complexity of Flowshop and Jobshop Scheduling, Mathematics of Operations Research 1, GLOVER, F. (1989), "Tabu Search - Part I", ORSA Journal on Computing 1, GLOVER, F. (1995), "Tabu search fundamentals and uses". University of Colorado, Boulder.
17 GLOVER, F., KELLY, J.P. and LAGUNA, M. (1995), Genetic Algorithms and Tabu Search: Hybrids for Optimization, Computers & Operations Research 22, GOLDBERG, D. E. (1989), Genetic algorithms in search, optimization, and machine learning. Addison - Wesley. GUPTA, J.N.D. (1971), "A Functional Heuristic Algorithm for the Flow-Shop Scheduling Problem", Operational Research Quarterly 22, HOLLAND, J. H. (1975), Adaptation in natural and artificial systems. The University of Michigan Press, Ann Arbor, Mich. HUNDAL, T.S. and RAJGOPAL, J. (1988), An Extension of Palmer's Heuristic for the Flow-Shop Scheduling Problem, International Journal of Production Research 26, IGNALL, E. and SCHRAGE, L.E. (1965), "Application of Branch and Bound Technique to some Flow-Shop Problem", Operations Research 13, ISHIBUCHI, H., MISAKI, S. and TANAKA, H. (1995), Modified Simulated Annealing Algorithms for the Flow Shop Sequencing Problem, European Journal of Operational Research 81, KIM, H., NARA, K. and GEN, M. (1994), A Method for Maintenance Scheduling Using GA Combined with SA, Computers & Industrial Engineering 27, LIN, F-T, KAO, C-Y and HSU, C-C (1991), Incorporating Genetic Algorithms into Simulated Annealing, Dept. of Computer Science and Information Engineering, National Taiwan University. MITTENTHAL, J., RAGHAVACHARI, M. and RANA, A.I. (1992), A Hybrid Simulated Annealing Approach for Single Machine Scheduling Problems with Non-regular Penalty Functions, Computers Ops Res. 20, MOCCELLIN, J.V. (1995), A New Heuristic Method for the Permutation Flow Shop Scheduling Problem, Journal of the Operational Research Society 46, MOCCELLIN, J.V. and NAGANO, M.S. (1998), Evaluating the Performance of Tabu Search Procedures for Flow Shop Sequencing, Journal of the Operational Research Society 49, MOTA, W.L. (1996), Análise Comparativa de Algoritmos Genéticos para o Problema de Programação de Operações Flow Shop Permutacional. São Carlos. 125p. Dissertação (Mestrado) - Escola de Engenharia de São Carlos, Universidade de São Paulo. MURATA, T., ISHIBUCHI, H. and TANAKA, H. (1996), Genetic Algorithms for Flowshop Scheduling Problems, Computers & Industrial Engineering 30, NAWAZ, M., ENSCORE Jr., E.E. and HAM, I. (1983), A Heuristic Algorithm for the m-machine, n-job Flow-Shop Sequencing Problem, OMEGA 11, NOWICKI, E. and SMUTNICKI, C. (1996), A Fast Tabu Search Algorithm for the Permutation Flow-shop Problem, European Journal of Operational Research 91, OGBU, F.A. and SMITH, D.K. (1990), The Application of the Simulated Annealing Algorithm to the Solution of the n/m/c max Flowshop Problem, Computers and Operations Research 17, OGBU, F.A. and SMITH, D.K. (1991), "Simulated Annealing for the Permutation Flowshop Problem", OMEGA 19, OSMAN, I.H. and POTTS, C.N. (1989), Simulated Annealing for Permutation Flow-Shop Scheduling, OMEGA 17, PALMER, D.S. (1965), Sequencing Jobs through a Multi-stage Process in the Minimum Total Time - A Quick Method of obtaining a Near Optimum, Operational Research Quarterly 16, PIRLOT, M. (1996), General Local Search Methods, European Journal of Operational Research 92, POTTS, C.N. (1980), "An Adaptive Branching Rule for the Permutation Flow-Shop Problem", European Journal of Operational Research 5, REEVES, C.R. (1993), "Improving the Efficiency of Tabu Search for Machine Sequencing Problems", Journal of the Operational Research Society 44, REEVES, C.R. (1995), A Genetic Algorithm for Flowshop Sequencing, Computers & Operations Research 22, ROACH, A. and NAGI, R. (1996), A Hybrid GA-SA Algorithm for Just-In-Time Scheduling of Multi-Level Assemblies, Computers & Industrial Engineering 30,
18 SELEN, W.J. and HOTT, D.D. (1986), A Mixed-Integer Goal Programming Formulation of the Standard Flow-Shop Scheduling Problem, Journal of the Operational Research Society 37, TAILLARD, E. (1990), Some Efficient Heuristic Methods for the Flow Shop Sequencing Problem, European Journal of Operational Research 47, TAILLARD, E. (1993), "Benchmarks for Basic Scheduling Problems", European Journal of Operational Research 64, WIDMER, M. and HERTZ, A. (1989), A New Heuristic Method for the Flow Shop Sequencing Problem, European Journal of Operational Research 41, WILSON, J.M. (1989), "Alternative Formulations of a Flow Shop Scheduling Problem", Journal of the Operational Research Society 40, ZEGORDI, S.H., ITOH, K. and ENKAWA, T. (1995), Minimizing Makespan for Flow Shop Scheduling by Combining Simulated Annealing with Sequencing Knowledge, European Journal of Operational Research 85,
Soluções de alto desempenho para a programação da produção flow shop
Soluções de alto desempenho para a programação da produção flow shop Marcelo Seido Nagano (EESC USP, SP, Brasil) drnagano@usp.br Av. Trabalhador Sãocarlense, 400, Centro, CEP: 13566-590, São Carlos-SP
Leia maisREDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP
REDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP Marcelo Seido Nagano Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisPROGRAMAÇÃO DA PRODUÇÃO FLOW SHOP PERMUTACIONAL COM MINIMIZAÇÃO DO TEMPO MÉDIO DE FLUXO
PROGRAMAÇÃO DA PRODUÇÃO FLOW SHOP PERMUTACIONAL COM MINIMIZAÇÃO DO TEMPO MÉDIO DE FLUXO Marcelo Seido Nagano Faculdade de Economia, Administração e Contabilidade, Universidade de São Paulo Av. dos Bandeirantes,
Leia 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 maisSistemas de Produção em Fluxo
Uma introdução a problemas de sequenciamento em sistemas de produção em fluxo Faculdade de Ciências da Universidade do Porto 18 de Janeiro de 2012 Sumário Introdução Literatura (Makespan) Pesquisa Local
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 maisProgramação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo
Programação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo Lucas Yamada Scardoelli (EESC/USP) scarty@terra.com.br R. General Glicério, 340, Centro, CEP 15900-000, Taquaritinga,
Leia maisMinimização da duração total da programação em sistemas de produção flowshop, sem interrupção de execução e tarefas
Minimização da duração total da programação em sistemas de produção flowshop, sem interrupção de execução e tarefas Fábio José Ceron Branco (EESC-USP) fbranco@hotmail.com R. General Glicério, 340, Centro,
Leia maisAvaliação de métodos heurísticos em sistemas de produção no-wait flow shop
Avaliação de métodos heurísticos em sistemas de produção no-wait flow shop Marcelo Seido Nagano (USP) - drnagano@usp.br Lucas Yamada Scardoelli (USP) - scarty@terra.com.br João Vitor Moccellin (USP) -
Leia maisO PROBLEMA DE SEQÜENCIAMENTO FLOWSHOP: UMA ABORDAGEM EVOLUCIONÁRIA
O PROBLEMA DE SEQÜENCIAMENTO FLOWSHOP: UMA ABORDAGEM EVOLUCIONÁRIA Francisco Régis Abreu Gomes Pós-Graduação em Logística e Pesquisa Operacional-UFC Campus do Pici, Bloco 703, CEP 60455, Fortaleza-CE José
Leia maisREDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP PERMUTACIONAL
REDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP PERMUTACIONAL REDUCING IN-PROCESS INVENTORY IN PERMUTATION FLOW SHOP PRODUCTION ENVIRONMENT Marcelo Seido Nagano Professor Doutor Universidade
Leia maisPROGRAMAÇÃO FLOW SHOP PERMUTACIONAL COM TEMPOS DE SETUP ASSIMÉTRICOS E DEPENDENTES DA SEQÜÊNCIA POR MEIO DE ANÁLISE DA FLUTUAÇÃO DO GARGALO
A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN PROGRAMAÇÃO FLOW SHOP PERMUTACIONAL COM TEMPOS DE SETUP ASSIMÉTRICOS E DEPENDENTES DA SEQÜÊNCIA POR MEIO DE ANÁLISE DA
Leia maisAlgoritmo busca tabu para a minimização do tempo de processamento e atrasos de entrega em sistemas de produção flowshop permutacional
Algoritmo busca tabu para a minimização do tempo de processamento e atrasos de entrega em sistemas de produção flowshop permutacional Marcio Leite (UCAM-Campos) mleite@lenep.uenf.br José Elias Cláudio
Leia maisANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP
ANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP John Lennon Damas David UFG/Campus Catalão johnlennon_13@yahoo.com.br Hélio Yochihiro Fuchigami
Leia maisPesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisMETAHEURÍSTICA HÍBRIDA ALGORITMO GENÉTICO-CLUSTERING SEARCH PARA A REDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP PERMUTACIONAL
METAHEURÍSTICA HÍBRIDA ALGORITMO GENÉTICO-CLUSTERING SEARCH PARA A REDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP PERMUTACIONAL Geraldo Ribeiro Filho Faculdade Bandeirantes de Educação
Leia maisO PROBLEMA DE SEQUENCIAMENTO DA PRODUÇÃO EM UM AMBIENTE FLOWSHOP COM LINHAS SEMI- PARALELAS E OPERAÇÃO DE SINCRONIZAÇÃO FINAL
O PROBLEMA DE SEQUENCIAMENTO DA PRODUÇÃO EM UM AMBIENTE FLOWSHOP COM LINHAS SEMI- PARALELAS E OPERAÇÃO DE SINCRONIZAÇÃO FINAL Irce Fernandes Gomes Guimaraes (UFOP) profirce@yahoo.com.br Mauricio Cardoso
Leia maisAlgoritmos Branch e Bound para o problema de sequenciamento em uma única máquina
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Algoritmos Branch e Bound para o problema de sequenciamento em uma única máquina Carlos E. Ferreira Instituto de Matemática e Estatística, IME, USP 05508-090,
Leia maisUMA ABORDAGEM MULTIAGENTE PARA A SOLUÇÃO DE PROBLEMAS DO TIPO JOBSHOP
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. UMA ABORDAGEM MULTIAGENTE PARA A SOLUÇÃO DE PROBLEMAS DO TIPO JOBSHOP Carlos Alberto dos Santos Passos (CTI) carlos.passos@cti.gov.br Vitor Massaru Iha
Leia maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia maisMINIMIZAÇÃO DO TEMPO TOTAL DE ATRASO NO PROBLEMA DE FLOWSHOP COM BUFFER ZERO ATRAVÉS DE BUSCA TABU
MINIMIZAÇÃO DO TEMPO TOTAL DE ATRASO NO PROBLEMA DE FLOWSHOP COM BUFFER ZERO ATRAVÉS DE BUSCA TABU Vinícius Amaral Armentano Faculdade de Engenharia Elétrica e Computação Universidade Estadual de Campinas
Leia maisO ALGORITMO GENÉTICO PARA SOLUCIONAR A PROGRAMAÇÃO DE PRODUÇÃO DO SISTEMA DE FLUXO PERMUTACIONAL
O ALGORITMO GENÉTICO PARA SOLUCIONAR A PROGRAMAÇÃO DE PRODUÇÃO DO SISTEMA DE FLUXO PERMUTACIONAL THE GENETIC ALGORITHM TO SOLVING A FLOW SHOP PERMUTATION SCHEDULING Hieronim Napierala 1 RESUMO: Este trabalho
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 maisUNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO FÁBIO JOSÉ CERON BRANCO
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO FÁBIO JOSÉ CERON BRANCO Um novo método heurístico construtivo de alto desempenho para o problema no-
Leia maisUM ITERATED LOCAL SEARCH PARA A MINIMIZAÇÃO DO MAKESPAN EM SISTEMAS DE PRODUÇÃO FLOWSHOP COM EXECUÇÃO CONTÍNUA DAS TAREFAS
UM ITERATED LOCAL SEARCH PARA A MINIMIZAÇÃO DO MAKESPAN EM SISTEMAS DE PRODUÇÃO FLOWSHOP COM EXECUÇÃO CONTÍNUA DAS TAREFAS Francisco Régis Abreu Gomes (UFC) frag.82@ig.com.br O Problema de Seqüenciamento
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 mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisUNIVERSIDADE DE SÃO PAULO
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS AVALIAÇÃO DE MÉTODOS HEURÍSTICOS PARA MINIMIZAÇÃO DO MAKESPAN EM AMBIENTE FLOWSHOP COM BLOQUEIO ADRIANO SEIKO KOMESU Orientador: Prof Dr Marcelo
Leia maisHEURÍSTICA CONSTRUTIVA PARA A PROGRAMAÇÃO DE OPERAÇÕES FLOW SHOP
RODRIGO LUIZ GIGANTE HEURÍSTICA CONSTRUTIVA PARA A PROGRAMAÇÃO DE OPERAÇÕES FLOW SHOP PERMUTACIONAL Dissertação apresentada à Escola de Engenharia de São Carlos Universidade de São Paulo como parte dos
Leia maisMÉTODOS HEURÍSTICOS CONSTRUTIVOS PARA PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS FLOW SHOP
MÉTODOS HEURÍSTICOS CONSTRUTIVOS PARA PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS FLOW SHOP HÍBRIDOS COM TEMPOS DE PREPARAÇÃO DAS MÁQUINAS ASSIMÉTRICOS E DEPENDENTES DA SEQÜÊNCIA Hélio Yochihiro Fuchigami Programa
Leia maisUm AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições Jarbas Silva Abstract Neste
Leia maisANÁLISE DA FLUTUAÇÃO DO GARGALO EM FLOW SHOP PERMUTACIONAL COM TEMPOS DE SETUP ASSIMÉTRICOS E DEPENDENTES DA SEQÜÊNCIA
ANÁLISE DA FLUTUAÇÃO DO GARGALO EM FLOW SHOP PERMUTACIONAL COM TEMPOS DE SETUP ASSIMÉTRICOS E DEPENDENTES DA SEQÜÊNCIA Alexandre Damas de Barros João Vitor Moccellin Departamento de Engenharia de Produção,
Leia maisUM ALGORITMO GENÉTICO HÍBRIDO PARA O PROBLEMA NO- WAIT FLOWSHOP COM MAKESPAN E ATRASO MÁXIMO
UM ALGORITMO GENÉTICO HÍBRIDO PARA O PROBLEMA NO- WAIT FLOWSHOP COM MAKESPAN E ATRASO MÁXIMO Tiago de Oliveira Januario Departamento de Ciência da Computação Universidade Federal de Minas Gerais Avenida
Leia maisUnidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
1 CAPÍTULO O MÉTODO SIMULATED ANNEALING APLICADO EM LOCALIZAÇÃO E ROTEAMENTO Ferreira, Kamyla Maria 1 * ; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás
Leia maisUMA HEURÍSTICA CONSTRUTIVA PARA O PROBLEMA DE MINIMIZAÇÃO DO ATRASO TOTAL NO AMBIENTE FLOWSHOP COM BUFFER ZERO
UMA HEURÍSTICA CONSTRUTIVA PARA O PROBLEMA DE MINIMIZAÇÃO DO ATRASO TOTAL NO AMBIENTE FLOWSHOP COM BUFFER ZERO Luís Roberto Sant Anna Henriques Débora P. Ronconi Escola Politécnica da Universidade de São
Leia maisGestão & Produção, v.17, n.2, p ,
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Engenharia de Produção - EESC/SEP Artigos e Materiais de Revistas Científicas - EESC/SEP 2010 Métodos heurísticos
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE INFORMÁTICA BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO BERNARDO HENRIQUE OLBERTZ NETO
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE INFORMÁTICA BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO BERNARDO HENRIQUE OLBERTZ NETO ANÁLISE DE MÉTODOS HEURÍSTICOS PARA MINIMIZAÇÃO DO TEMPO
Leia maisUMA COMPARAÇÃO EMPÍRICA DE OPERADORES DE CROSSOVER PARA O PROBLEMA DE JOB SHOP COM DATAS DE ENTREGAS
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro
Leia maisMétodos de alto rendimento e baixa complexidade em flowshop
Recebido 29/05/2016 Aprovado 18/10/2016 Métodos de alto rendimento e baixa complexidade em flowshop Methods of high performance and low complexity in flowshop Fábio José Ceron Branco 1 - Univ. Tecnológica
Leia maisHeurística Evolutiva para a Redução do Estoque em Processamento em Sistemas de Produção Flow Shop Permutacional
M. S. Nagano et al. / Investigação Operacional, 28 (2008) 107-117 107 Heurística Evolutiva para a Redução do Estoque em Processamento em Sistemas de Produção Flow Shop Permutacional Marcelo Seido Nagano
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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisUnidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
5 CAPÍTULO BUSCA EM VIZINHANÇA VARIÁVEL PARA LOCALIZAÇÃO E ROTEAMENTO Silva, Lorrany Cristina da 1 *; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional
Leia maisOperations Scheduling in Permutation Flow Shop Systems: a Bibliometric Contribution
3966 IEEE LATIN AMERICA TRANSACTIONS, VOL. 13, NO. 12, DECEMBER 2015 Operations Scheduling in Permutation Flow Shop Systems: a Bibliometric Contribution K. D. Endler, M. T. A. Steiner, C. T. Scarpin and
Leia maisNOVAS REGRAS DE SEQUENCIAMENTO PARA PROGRAMAÇÃO DE FLOW SHOP COM DATAS DE LIBERAÇÃO E TEMPOS DE SETUP
NOVAS REGRAS DE SEQUENCIAMENTO PARA PROGRAMAÇÃO DE FLOW SHOP COM DATAS DE LIBERAÇÃO E TEMPOS DE SETUP Caio Soares de Araujo (UFG ) caio.ufg@gmail.com Helio Yochihiro Fuchigami (UFG ) heliofuchigami@yahoo.com.br
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisFLOW SHOP HÍBRIDO COM ESTÁGIOS GARGALOS. João Vitor Moccellin. Marcelo Seido Nagano
A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN FLOW SHOP HÍBRIDO COM ESTÁGIOS GARGALOS João Vitor Moccellin Escola de Engenharia de São Carlos, Universidade de São
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisESTUDO DA INFLUÊNCIA DA PROGRAMAÇÃO DO PRIMEIRO ESTÁGIO EM SISTEMAS FLOW SHOP
ESTUDO DA INFLUÊNCIA DA PROGRAMAÇÃO DO PRIMEIRO ESTÁGIO EM SISTEMAS FLOW SHOP HÍBRIDOS COM TEMPOS DE SETUP INDEPENDENTES DA SEQÜÊNCIA DE PROCESSAMENTO DAS TAREFAS Hélio Yochihiro Fuchigami Programa de
Leia maisESTUDO DE REGRAS DE SEQUENCIAMENTO PARA MINIMIZAÇÃO DO ATRASO EM AMBIENTE FLOW SHOP COM TEMPOS DE SETUP
ESTUDO DE REGRAS DE SEQUENCIAMENTO PARA MINIMIZAÇÃO DO ATRASO EM AMBIENTE FLOW SHOP COM TEMPOS DE SETUP Tatiane Carvalho Silva (UFG ) tatiane_economiaufg@hotmail.com Helio Yochihiro Fuchigami (UFG ) heliofuchigami@yahoo.com.br
Leia maisUM MODELO DE PROGRAMAÇÃO INTEIRA MISTA PARA A PROGRAMAÇÃO DA PRODUÇÃO EM FLOWSHOP HÍBRIDO COM BUFFERS LIMITADOS
UM MODELO DE PROGRAMAÇÃO INTEIRA MISTA PARA A PROGRAMAÇÃO DA PRODUÇÃO EM FLOWSHOP HÍBRIDO COM BUFFERS LIMITADOS Pedro Luis Miranda Lugo Universidade Federal de São Carlos Departamento de Engenharia de
Leia maisHÉLIO YOCHIHIRO FUCHIGAMI
MÉTODOS HEURÍSTICOS CONSTRUTIVOS PARA O PROBLEMA DE PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS FLOW SHOP HÍBRIDOS COM TEMPOS DE PREPARAÇÃO DAS MÁQUINAS ASSIMÉTRICOS E DEPENDENTES DA SEQÜÊNCIA HÉLIO YOCHIHIRO
Leia maisUM ALGORITMO EVOLUCIONÁRIO APLICADO AO PROBLEMA FLOWSHOP PERMUTACIONAL COM RESTRIÇÃO DE ESPERA
UM ALGORITMO EVOLUCIONÁRIO APLICADO AO PROBLEMA FLOWSHOP PERMUTACIONAL COM RESTRIÇÃO DE ESPERA Francisco Régis Abreu Gomes Pós-Graduação em Logística e Pesquisa Operacional-UFC Campus do Pici, Bloco 703,
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Leia maisUMA FERRAMENTA INTERATIVA E GRÁFICA APLICADA NA RESOLUÇÃO DO PROBLEMA FLOWSHOP PERMUTACIONAL
UMA FERRAMENTA INTERATIVA E GRÁFICA APLICADA NA RESOLUÇÃO DO PROBLEMA FLOWSHOP PERMUTACIONAL José Lassance de Castro Silva Universidade Federal do Ceará-UFC. Campus do Pici, Bloco 910, CEP 60455-760, Fortaleza
Leia maisANÁLISE DE DESEMPENHO DE REGRAS DE PRIORIDADE PARA PROGRAMAÇÃO EM SISTEMAS FLOW SHOP HÍBRIDO E TEMPOS DE SETUP DEPENDENTES DA SEQUÊNCIA
ANÁLISE DE DESEMPENHO DE REGRAS DE PRIORIDADE PARA PROGRAMAÇÃO EM SISTEMAS FLOW SHOP HÍBRIDO E TEMPOS DE SETUP DEPENDENTES DA SEQUÊNCIA CANTIERE, Patricia Castoldi, IC, Fecilcam, CNPq, Engenharia de Produção
Leia maisUm algoritmo genético híbrido para o problema quadrático binário irrestrito
Um algoritmo genético híbrido para o problema quadrático binário irrestrito Bruno de Athayde Prata (UNIFOR) bprata@unifor.br Resumo O problema quadrático binário irrestrito (Unconstrained Quadratic Binary
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia mais1-1 PESQUISA OPERACIONAL INTRODUÇÃO
1-1 PESQUISA OPERACIONAL INTRODUÇÃO Regra do Jogo 1-2 Provas MAN ADM 1 a Prova: 8 ou 10 de maio 2 a Prova: 12 ou14 de junho Substitutiva: 18 ou 21 de junho Média P = Média das Provas T = Média dos Testes
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia mais2 Problemas de Escalonamento
15 2 Problemas de Escalonamento O escalonamento ou programação da produção é um dos problemas operacionais que visam planejar e controlar a execução das tarefas de produção e de serviços. Ele tem como
Leia maisUm Modelo Baseado na Busca Tabu Aplicado ao Problema do Escalonamento do Job-shop com Setup e Data de Entrega
Um Modelo Baseado na Busca Tabu Aplicado ao Problema do Escalonamento do Job-shop com Setup e Data de Entrega Gilberto Irajá Müller 1, Antonio Gabriel Rodrigues 1, Arthur Tórgo Gómez 1 1 Universidade do
Leia maisOTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS
OTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS C. de O. GONÇALVES 1, E. M. QUEIROZ 2, F. L. P. PESSOA 2, F. S. LIPORACE 3, S. G. OLIVEIRA 3 e A. L. H. COSTA 1
Leia maisEstratégias de Escalonamento em um Ambiente de Job-shop
Estratégias de Escalonamento em um Ambiente de Job-shop Gilberto Irajá Müller 1, Arthur Tórgo Gómez 1 1 Universidade do Vale do Rio dos Sinos UNISINOS PIPCA - Programa Interdisciplinar de Pós-Graduação
Leia maisMétodos modernos de pesquisa e Optimização
Métodos modernos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisAbordagens para Problemas Intratáveis
Abordagens para Problemas Intratáveis Letícia Rodrigues Bueno UFABC Motivação Se você se depara com um problema intratável... Motivação Se você se depara com um problema intratável... I can t find an efficient
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisSEQUENCIAMENTO DE LINHAS DE MONTAGEM MÚLTIPLAS NO AMBIENTE DE PRODUÇÃO ENXUTA UM ESTUDO SIMULADO PARA MINIMIZAR O RISCO DE PARADAS
Disponível eletronicamente em www.revista-ped.unifei.edu.br Edição Especial Projeto Pró Engenharias Revista P&D em Engenharia de Produção V. 08 N. 01 (2010) p. 06-10 ISSN 1679-5830 SEQUENCIAMENTO DE LINHAS
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisAlgoritmo Genético e Busca Local para o problema Justin-Time Job-Shop Scheduling
Algoritmo Genético e Busca Local para o problema Justin-Time Job-Shop Scheduling Rodolfo P. Araujo, André G. dos Santos, José E. C. Arroyo Departamento de Informática Universidade Federal de Viçosa (UFV)
Leia maisALGORITMO GENÉTICO COM BUSCA LOCAL APLICADO AO PROBLEMA DE JUST-IN-TIME JOB-SHOP SCHEDULING
ALGORITMO GENÉTICO COM BUSCA LOCAL APLICADO AO PROBLEMA DE JUST-IN-TIME JOB-SHOP SCHEDULING Rodolfo Pereira Araujo Universidade Federal de Viçosa Av. P.H. Rolfs, s/n, DPI Campus UFV 36.570-000 Viçosa,
Leia maisHEURÍSTICAS GRASP E ILS PARA O PROBLEMA NO-WAIT FLOWSHOP SCHEDULING MULTIOBJETIVO
HEURÍSTICAS GRASP E ILS PARA O PROBLEMA NO-WAIT FLOWSHOP SCHEDULING MULTIOBJETIVO 1 Paulo Lúcio de O. Júnior, 2 José Elias C. Arroyo, 3 Vitor Andrade A. de Souza Departamento de Informática, Universidade
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisNuno Miguel Duarte Sequeira André VARIABLE NEIGHBOURHOOD SEARCH
Nuno Miguel Duarte Sequeira André VARIABLE NEIGHBOURHOOD SEARCH Optimization and decision support techniques PDEEC 2007 Introdução A meta-heurística VNS (Variable Neighbourhood Search) é bastante recente
Leia maisAnálise do Comportamento das Estratégias de Escalonamento Considerando n Máquinas de Produção
Análise do Comportamento das Estratégias de Escalonamento Considerando n Máquinas de Produção Gilberto Irajá Müller 1, Arthur Tórgo Gómez 1 1 Universidade do Vale do Rio dos Sinos UNISINOS PIPCA - Programa
Leia maisHEURÍSTICA BUSCA LOCAL ITERADA PARA O SEQUENCIAMENTO DE TAREFAS EM UMA MÁQUINA COM TEMPOS DE PREPARAÇÃO DEPENDENTES DA FAMÍLIA
HEURÍSTICA BUSCA LOCAL ITERADA PARA O SEQUENCIAMENTO DE TAREFAS EM UMA MÁQUINA COM TEMPOS DE PREPARAÇÃO DEPENDENTES DA FAMÍLIA Vinícius Vilar Jacob, José Elias C. Arroyo, André Gustavo dos Santos Departamento
Leia maisAprimorando o Corte Peças com Forma Irregular em Chapas Retangulares
Aprimorando o Corte Peças com Forma Irregular em Chapas Retangulares Leandro Resende Mundim, leandroresendemundim@gmail.com Thiago Alves de Queiroz, th.al.qz@catalao.ufg.br Resumo: Esta pesquisa lida com
Leia maisUm Estudo Empírico de Métodos Hiper-Heurísticos
Um Estudo Empírico de Métodos Hiper-Heurísticos Igor Ribeiro Sucupira (Aluno de Mestrado) Flávio Soares Corrêa da Silva (Orientador) Departamento de Ciência da Computação Instituto de Matemática e Estatística
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 C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ ALINE KIESKOSKI
UNIVERSIDADE FEDERAL DO PARANÁ ALINE KIESKOSKI UM ESTUDO DO PROBLEMA DE FLOW SHOP PERMUTACIONAL. UMA PROPOSTA DE SOLUÇÃO ATRAVÉS DA METAHEURÍSTICA COLÔNIA DE FORMIGAS CURITIBA 2016 ALINE KIESKOSKI UM ESTUDO
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisUMA HEURÍSTICA GRASP PARA O PROBLEMA DE PROGRAMAÇÃO FLOWSHOP MULTICRITÉRIO
UMA HEURÍSTICA GRASP PARA O PROBLEMA DE PROGRAMAÇÃO FLOWSHOP MULTICRITÉRIO José Elias Claudio Arroyo Universidade Candido Mendes UCAM-Campos Departamento de Computação e Sistemas Rua Anita Peçanha, 100,
Leia maisMETAHEURÍSTICA HÍBRIDA ALGORITMO GENÉTICO-CLUSTERING SEARCH PARA A OTIMIZAÇÃO EM SISTEMAS DE PRODUÇÃO FLOW SHOP PERMUTACIONAL
METAHEURÍSTICA HÍBRIDA ALGORITMO GENÉTICO-CLUSTERING SEARCH PARA A OTIMIZAÇÃO EM SISTEMAS DE PRODUÇÃO FLOW SHOP PERMUTACIONAL Geraldo Ribeiro Filho Faculdade Bandeirantes de Educação Superior R. Jose Correia
Leia maisANÁLISE DE DESEMPENHO DE REGRAS DE PRIORIDADE PARA PROGRAMAÇÃO EM FLOW SHOP COM MÚLTIPLAS MÁQUINAS E TEMPOS DE SETUP INDEPENDENTES DA SEQÜÊNCIA
! "#$ " %'&)(*&)+,.- /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 - ;./);.& ANÁLISE DE DESEMPENHO DE REGRAS DE PRIORIDADE PARA
Leia maisUMA ABORDAGEM AO PROBLEMA DE SEQUENCIAMENTO EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO DA PRODUÇÃO POR MEIO DE ALGORITMOS EVOLUTIVOS
UMA ABORDAGEM AO PROBLEMA DE SEQUENCIAMENTO EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO DA PRODUÇÃO POR MEIO DE ALGORITMOS EVOLUTIVOS Renato da Silva Ramos Discente do curso de Ciência da Computação
Leia maisINTRODUÇÃO À. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
INTRODUÇÃO À COMPUTAÇÃO EVOLUTIVA Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Computação Evolutiva Ramo da ciência da computação que propõe um paradigma
Leia maisTratamento de um problema de escalonamento considerando datas de entrega, turnos de produção e trocas de ferramentas via Busca Tabu
Tratamento de um problema de escalonamento considerando datas de entrega, turnos de produção e trocas de ferramentas via Busca Tabu ANTONIO GABRIEL RODRIGUES ARTHUR TÓRGO GÓMEZ Unisinos Resumo Neste trabalho
Leia maisPROGRAMAÇÃO DA PRODUÇÃO EM FLOW SHOP PERMUTACIONAL COM RESTRIÇÕES ADICIONAIS E CRITÉRIO DE MAKESPAN
PROGRAMAÇÃO DA PRODUÇÃO EM FLOW SHOP PERMUTACIONAL COM RESTRIÇÕES ADICIONAIS E CRITÉRIO DE MAKESPAN TSUJIGUCHI, Lucas T. A. IC, Fecilcam, Fuação Araucária, Engenharia de Produção Agroiustrial, Fecilcam,
Leia maisCOMPARAÇÃO ENTRE HEURÍSTICAS PARA AMBIENTES FLOW SHOP COM MINIMIZAÇÃO DO MAKESPAN
COMPARAÇÃO ENTRE HEURÍSTICAS PARA AMBIENTES FLOW SHOP COM MINIMIZAÇÃO DO MAKESPAN Lázaro Antônio da Fonseca Júnior, Universidade Federal de Goiás, jrlazaro@ufg.br Lara Fernandes Gonçalves, Universidade
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia mais