APLICAÇÃO DE ALGORITMOS GENÉTICOS AO PROBLEMA DE COBERTURA DE CONJUNTO
|
|
- Mikaela Figueira Garrau
- 7 Há anos
- Visualizações:
Transcrição
1 A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN APLICAÇÃO DE ALGORITMOS GENÉTICOS AO PROBLEMA DE COBERTURA DE CONJUNTO Ademr Aparecdo Constantno Unversdade Estadual de Marngá - Departamento de Informátca Av. Colombo, 5790, CEP , Marngá-PR e-mal: ademr@dn.uem.br Paulo Alexandre dos Res Unversdade Estadual de Marngá - Departamento de Informátca e-mal: pares@dn.uem.br Canddo Ferrera Xaver de Mendonça Neto Unversdade Estadual de Marngá - Departamento de Informátca e-mal: xaver@dn.uem.br Maurco Fernandes Fgueredo Unversdade Estadual de Marngá - Departamento de Informátca e-mal: maurco@dn.uem.br Resumo O Problema de Cobertura de Conuntos (PCC) tem um mportante papel dentro da Pesqusa Operaconal e surge em mutos problemas prátcos. O obetvo deste artgo é apresentar um algortmo heurístco baseado em Algortmos Genétcos para a resolução do PCC. O algortmo é ncalzado com uma população gerada por um algortmo guloso randomzado. Um novo operador de cruzamento e um novo operador de mutação adaptatvo foram ncorporados ao algortmo para ntensfcar a busca. O algortmo fo testado com uma classe de problemas de custos não untáros da OR-Lbrary, sem aplcar técncas de redução do problema, o qual apresentou resultados melhores que os encontrados na lteratura. Palavras chaves: cobertura de conunto, heurístca, Algortmos Genétcos Abstract The Set Coverng Problem (SPC) plays an mportant role n Operatonal Research snce t can be found as part of several real world problems. In ths work we report the use of a genetc algorthm to solve SCP. The algorthm starts wth a populaton chosen by a randomzed greedy algorthm. A new crossover operator and a new adaptve mutaton operator were ncorporated nto the algorthm to ntensfy the search. Our algorthm was tested for a class of non-uncost SPC obtaned from OR- Lbrary wthout applyng reducton technques. The algorthms found solutons better than the ones found n the lterature. Keywords: set coverng, heurstc, Genetcs Algorthms 1 O Problema de Cobertura de Conuntos (PCC) O Problema de Cobertura de Conuntos (PCC) - ou Set Coverng Problem - é um problema de otmzação defndo como segue. Denote-se I = {1,2,..., m} e J={1, 2,..., n} conuntos de índces. Sea Γ={ P I, J}, tal que, I =. Sea c é um custo assocado ao conunto P. Defne-se de U P J cobertura um subconunto J* J tal que I = U P com custo C * = J* c J *. O PCC consste em encontrar
2 uma cobertura de custo mínmo. Tal problema pode ser formulado como um problema de programação matemátca da segunte forma: Mnmzar Sueto a n c = 1 n = 1 x a x (1) x 1 = 1, 2,..., m (2) { 0,1} = 1, 2,..., n (3) Onde A é uma matrz-(0,1) m n, tal que, a =1 se e somente se P e a =0 em caso contráro. A varável x é a varável de decsão do problema que ndca se a coluna fo seleconada (x = 1) ou não (x = 0). Note que I e J representam os conuntos de índces de lnhas e colunas, respectvamente, da matrz A. Além dsso, P representa o vetor da coluna da matrz A. É conhecdo que o problema de decsão do PCC é da classe NP-completo (Garey e Johnson, 1979). Váras aplcações de PCC podem ser encontradas na lteratura, tas como: escalonamento de condutores de empresa de transporte (Desrochers e Soums, 1989), locação de undades emergencas (Toregas et al, 1971), balanceamento em lnha de montagem (Salveson, 1955), entre outras. Além da complexdade teórca, nessas aplcações, é muto comum que o problema tenha centenas de lnhas e mlhares de colunas. Portanto, por essas característcas é perfetamente recomendado o uso de algortmos heurístcos para a resolução do PCC. Na lteratura podem ser encontrados város trabalhos explorando algortmos heurístcos para a solução do problema de cobertura de conunto. Chvàtal (1979) fo um dos prmeros trabalhos utlzando algortmos gulosos (greedy). Balas e Ho (1980) também propuseram um algortmo guloso baseado em cnco novas funções gulosas. Posterormente, surgu o trabalho de Vasco e Wlson (1984) que explorou as heurístcas de Chvàtal e Balas e Ho, adconando novas funções gulosas e um procedmento de remoção de colunas redundantes da solução vável. Feo e Resende (1989) propuseram uma varação não-determnístca da heurístca de Chvàtal conugando com busca local. Beasley (1990a) e Haddad (1997) desenvolveram algortmos baseados em heurístcas lagrangeanas. Jacobs e Brusco (1993) nvestgaram a aplcação de smulated annelng. Mas recentemente, Bealey e Chu (1996) e Al-Sultan et al (1996) desenvolveram algortmos baseados em Algortmos Genétcos, dos quas o prmero fo o que apresentou os melhores resultados entre todos trabalhos encontrados na lteratura. Neste trabalho, fo desenvolvdo um algortmo heurístco baseado em Algortmos Genétcos que será apresentado em detalhes na seção segunte. 2 O algortmo A segur serão apresentadas as mplementações dos operadores genétcos, assm como representação computaconal da população e dos cromossomos. 2.1 Função de aptdão Em algortmos genétcos é comum consderar a medda de aptdão de um ndvíduo como sendo um valor postvo. Todos as nstâncas do problema utlzadas neste trabalho possuem somente custos postvos. Assm, a função de aptdão deste trabalho corresponde exatamente à função obetvo de cada PCC. 2.2 Esquema de Codfcação Uma forma natural e bastante utlzada na lteratura é a codfcação da estrutura (solução) na forma de um vetor bnáro, cuo tamanho é gual ao número de colunas da matrz de coefcentes do PCC (Lopes, 1995; Al-Sultan et al 1996) onde a posção assume valor 1 se a coluna fazer parte da solução, e 0 em caso contráro. Essa codfcação é nefcente consderando que o número de colunas de uma solução raramente ultrapassa a metade do número total de colunas da matrz de coefcentes. 1407
3 Dessa forma, optou-se por utlzar uma codfcação na forma de conunto cobertura S J contendo os índces das colunas pertencentes à solução, cua codfcação computaconal fo através de lsta dnâmca. 2.3 Estrutura de dados Na lteratura e nas aplcações prátcas é bastante comum encontrar problemas de cobertura de conunto de baxa densdade (matrz esparsa). Dessa forma, optou-se por uma codfcação compacta e mas efcente através de um vetor M=[m ], onde m =P, J. Neste caso, a mplementação computaconal de m também fo através de lsta dnâmca. Quanto à representação da população, também, utlzou-se de uma mplementação em lsta dnâmca contendo todas as soluções (estruturas) em ordem decrescente de seu custo (aptdão). Aqu a população será denotada por um conunto Pop={S l J, l=1,2,..., Npop}, onde Npop= Pop. 2.4 População Incal. A população ncal na maora dos casos de aplcação de algortmos genétcos é gerada de manera totalmente aleatora. Neste trabalho, fo utlzado um algortmo de construção aleatorzado, baseado em um algortmo guloso (greedy), para gerar cada estrutura da população. Dessa forma, a população gerada será consttuída somente de soluções váves. Experêncas com esse processo demonstraram melhores resultados ao nvés de gerar a cada ndvíduo aleatoramente. O algortmo para gerar a população ncal é formalmente descrto a segur: α = o conunto de colunas que cobrem a lnha, I ; β = o conunto de lnhas cobertas pelo coluna, J ; Função GerarIndvduo; S φ ; // S é o conunto de colunas na solução U I ; // U é o conunto de lnhas não cobertas w 0, I ; // w é o número de colunas em S que cobrem a lnha, S Enquanto (U φ ) faça Selecone aleatoramente uma lnha U ; Selecone uma coluna α que mnmze c / U β ; S S { } ; w w + 1, β ; U U β ; Retorne S. Ao fnal da construção, na solução encontrada pode haver colunas redundantes, cua remoção não afeta a vabldade da solução. O procedmento de elmnação de redundâncas é dado a segur. Função ElmnarRedundanca(S); T S; Enquanto (T φ ) faça Selecone aleatoramente uma coluna, T T { } ; Se ( w 2, β ) então T ; 1408
4 Retorne S. S S { } ; w w 1, β ; Ao fnal desse processo teremos um ndvíduo (solução) que deve ser avalado e nserdo na população ncal. A construção da população ncal consste na repetção desses passos até terem sdo gerados NPop ndvíduos. Função GerarPopulacaoIncal; Pop φ ; // população do algortmo genétco t 0 ; // número de ndvíduos na população Repetr S GerarIndvduo; S ElmnarRedundanca(S); Pop Pop S mantendo a ordenação dos ndvíduos; t t+ 1 ; até ( t > NPop). { } 2.5 Seleção O prncípo de seleção dos ndvíduos para partcparem do cruzamento é baseado no método de classfcação (rankng). Dada a população com Npop ndvíduos, a probabldade de seleção de um ndvíduo para partcpar do cruzamento é proporconal à sua posção relatva na população, ou sea, a probabldade de seleção de um cromossomo S l Pop é dada por: l 2l ps ( l ) = = Npop Npop( Npop + 1) k k = 1 Dessa forma, o ndvíduo menos apto (o prmero da população) terá a menor probabldade de ser seleconado. Observe que o valor da equação 4 é muto smples e rápdo de ser calculado e não necessta ser atualzado a cada vez que a população for modfcada (supondo um tamanho fxo da população) como é feto no método da roleta. (4) 2.6 Cruzamento Esse operador consste em seleconar dos ndvíduos, unndo as estruturas de ambos, crando uma tercera estrutura (solução). Então, o algortmo de elmnação de redundânca é aplcado. Assm, gera-se um ndvíduo flho. Função Cruzamento; X Seleconar; // Seleconar o prmero ndvíduo pa Y Seleconar; // Seleconar o segundo ndvíduo pa Z X Y ; Z ElmnarRedundanca(Z); Retorne Z. // novo ndvíduo 2.7 Mutação Varável O obetvo é mplementar um operador de mutação com taxa varável para evtar estagnação da população de soluções, ou sea, que todas as soluções seam guas e, com sso, ntensfcar a busca pela melhor solução. 1409
5 O obetvo na mutação é dar a oportundade de nserr característcas não presentes nas estruturas pertencentes à população e, também, evtar a convergênca prematura da população de soluções. O procedmento de mutação consste em seleconar um número, proporconal ao tamanho da solução, de colunas de J e nser-las na solução. Posterormente, o algortmo de elmnação de redundânca é aplcado. Tal procedmento é resumdo abaxo. Função Mutação(S); Selecone aleatoramente, [ 0,1] λ λ ; Para k 1 to λ S faça Selecone uma coluna, S S {} ; S ElmnarRedundanca(S); Retorne S. J ; Smlarmente ao que ocorre no processo natural, a mutação não ocorre em todos os ndvíduos, mas exste uma probabldade de ocorrer chamada de taxa de mutação (TxM). Tradconalmente, é utlzada nos algortmos genétcos uma taxa de mutação constante, mas aqu fo proposto o uso de uma taxa de mutação varável que aumente de acordo com a convergênca da população. Assm, utlzou-se uma taxa de mutação varável calculada da segunte forma: TxM () t = 1 TxMnM ( NPop ) ( c1( t) c ( t) / c1( t) e (5) Onde: TxMnM = a taxa mínma de mutação (parâmetro); c t = o custo do ndvíduo menos apto da população na teração (ou geração) t; 1 () cnpop ( t ) = o custo do ndvíduo mas apto da população na teração t. Como se pode perceber, a taxa de mutação cresce conforme o custo do ndvíduo menos apto na população se aproxma do custo do melhor ndvíduo fazendo com que as mutações seam mas freqüentes, possbltando uma ntensfcação da busca. 2.8 Atualzação da População De acordo com os operadores de cruzamento e mutação apresentados, a população sempre será consttuída de soluções váves. Cada novo ndvíduo gerado é nserdo ou não na população de acordo com o seu custo, se este for melhor que o custo do ndvíduo menos apto, então, ele entra na população sando o menos apto, caso contráro, ele é descartado. Dessa forma, o algortmo genétco desenvolvdo é baseado na abordagem steady-state, pos cada novo ndvíduo gerado pode medatamente substtur um outro ndvíduo da população atual. Ao contráro da abordagem geraconal na qual a população ntera pode ser substtuída por uma nova população. 2.9 O algortmo genétco desenvolvdo Após ter sdo feta uma descrção dos operadores prncpas do algortmo genétco, esta seção apresenta o algortmo que resume todo o processo. Além dos parâmetros NPop, TxMnM, o algortmo também utlza um outro parâmetro denomnado de NMax, que estabelece um crtéro de parada baseado no número máxmo de terações sem que a população tenha sofrdo alterações. Nos 1410
6 expermentos realzados foram utlzados os seguntes valores: NPop= 500, TxMnM= 5%, NMax = Função AlgortmoGenetco; GerarPopulacaoIncal; t 0 ; Repetr S Cruzamento; ρρ ; Escolha aleatoramente um, [ 0,1] Se ( ρ < TxM(t)) então S Mutacao(S); Faça R receber a solução com o maor custo em Pop; Se (Avalar(S)<Avalar(R)) então Pop Pop R ; { } Pop Pop { S} ; // mantendo a ordenação da população Se (foram fetas modfcações na população) então t 0 ; senão t t+ 1 ; Até ( t > NMax). 3 Resultados Computaconas O algortmo apresentado neste artgo fo codfcado em Pascal e testado em um Pentum III 900 MHz. Os testes foram conduzdos sobre com uma coleção de dados ( 65 problemas) de város tamanhos e densdades obtdos da OR-Lbrary (Beasley, 1990b). Os resultados dos testes estão resumdos na Tabela 1. Para cada problema foram executados 10 testes. Para cada teste a tabela nforma o custo da função obetvo do melhor ndvíduo da população (célula com - sgnfca que o custo da solução fo gual ao da coluna Melhor Solução ). As colunas AG_B e AG_P nformam os desvos σ médos do algortmo de Beasley e Chu (1996) e do proposto por este trabalho, respectvamente. O desvo σ médo é calculado da segunte forma: σ = ( S S )/(10 S ), onde S é o 10 : = 1 o o valor da solução do -ésmo teste e S o é o valor da melhor solução conhecda segundo Beasley e Chu(1996). Salentando que, para os problemas de 4 a 6 e A a D os valores da solução ótma são conhecdos, enquanto que para os problemas de E a H o valor ótmo anda é desconhecdo. Tabela 1. Resultados Computaconas. Problema A melhor solução de cada teste Melhor AG_B AG_P Tempo de Solução a σ σ execução b ,16 0, ,00 0, ,00 0, ,00 0, ,00 0, ,00 0, ,05 0, ,02 0, ,33 0, ,00 0, ,00 0, ,50 0, ,88 0, ,04 0, ,00 0,
7 Tabela 1. Contnuação Problema A melhor solução de cada teste Melhor AG_B AG_P Tempo de Solução a σ σ execução b ,00 0, ,00 0, ,28 0, ,00 0, ,00 0, ,00 0, ,14 0, ,00 0, ,00 0, ,19 0,00 10 A ,12 0,43 36 A ,00 0,00 39 A ,22 0,34 41 A ,00 0,04 35 A ,00 0,42 28 B ,00 0,00 30 B ,00 0,00 31 B ,00 0,00 27 B ,00 0,00 25 B ,00 0,00 27 C ,00 0,22 71 C ,46 0,87 64 C ,40 0,08 56 C ,05 0,00 62 C ,05 0,00 41 D ,00 0,00 48 D ,00 0,00 51 D ,28 0,28 43 D ,00 0,00 48 D ,00 0,00 47 E ,00 0,00 4 E ,00 0,00 4 E ,00 0,00 7 E ,60 0,00 9 E ,00 0,00 7 F ,00 0, F ,00 0, F ,00 0, F ,00 0, F ,14-5, G ,73-0, G ,08-1, G ,65-0, G ,99-0, G ,83 0, H ,00 0, H ,00 0, H ,50-0, H ,17-0, H ,18 0, Soma 4,52-4, a Solução ótma ou a melhor solução conhecda obtda de Beasley e Chu (1996) para fns de comparação. b Tempo médo de execução em segundos. 1412
8 Convém salentar que nestes problemas não foram aplcadas técncas de redução do problema como sugere Garfnkel e Nemhauser (1972). Tomou-se essa decsão a fm ter o mesmo padrão de comparação com o trabalho de Beasley e Chu (1996). 4 Análse e Conclusão A soma dos desvos médos de AG_B e AG_P são 4,52 e 4,92, respectvamente. Isso sgnfca que, em méda, o algortmo proposto neste trabalho fo melhor que o algortmo proposto por Beasley e Chu (1996). Ademas, o tempo total do expermento fo de segundos em um computador Pentum III 900MHz, enquanto que o AG_B fo executado em Slcon Graphcs (R4000, 100MHz) em segundos de tempo total. A comparação de performance entre dferentes arquteturas de computador não é uma tarefa smples (Dongarra, 1992). Porém, a Slcon Graphcs 1 mostra que um computador R MHz tem performance aproxmadamente equvalente ao Pentum 66MHz usando SPEC Benchmark. Através de expermentos com o AG_P em computadores com processadores Pentum 66MHz, 166MHz, 233MHz e Pentum III 900MHz, pôde-se conclur que este últmo é aproxmadamente 15 vezes mas rápdo que o prmero. Dessa forma, se consderar essa medda como Benchmark, tem-se que = segundos é anda 30% nferor ao tempo consumdo por AG_B. Portanto, o algortmo AG_P mostrou ser lgeramente superor ao algortmo AG_B em dos aspectos: na qualdade das soluções e no tempo total de execução. Referênca Bblográfca. Al-Sultan, K.S., Hussan, M.F. e Nzam, J.S.. A genetc algorthm for set coverng problem. Journal of the Operatonal Research Socety, 47, pp , Balas, E. e Ho, A.. Set coverng algorthm usng cuttng planes, heurstcs, end subgradent optmzaton: a computatonal study. Mathematcal Programmng, 12, pp , Beasley, J.E. A lagrangan heurstc for set-coverng problems. Naval Research Logstc, 37, pp , 1990a. Beasley, J.E.. OR-Lbrary: dstrbutng test problems by electronc mal. Journal of the Operatonal Research Socety, 41, pp , 1990b. Beasley, J.E.. e Chu, P.C. A genetc algorthm for the set coverng problem. European Journal of Operatonal Research,, 94, pp , Desrochers, M., e Soums, F.,. A column generaton approach to the urban transt crew schedulng problem. Transportaton Scence, 23, pp. 1-13, Dongarra, J.J.. Performance of varous computers usng standard lnear equatons software. Computer Archtecture News, 20, pp , Feo, T. A. e Resende, M. G. C.. A probablstc heurstc for a computatonally dffcult set coverng problem. Operatons Research Letters, 8, pp , Garey, M.R. e Johnson, D.S.. Computers and Intractablty: A Gude to the Theory of NP- Completeness. Freeman, New York, Garfnkel, R.S. e Nemhauser, G.L.. Integer Programmng. New York. John Wley, Ghvàtal, V.. A greedy heurstc for the set coverng problem. Management Scence, 21, pp , Haddad, S. Smple lagrangan heurstc for the set coverng problem. European Journal of Operatonal Research, 97, pp , Slcon Graphcs Indy. Hstorcal Artcle, Acessado em 30 de mao de
9 Jacobs, L. W. e Brusco, J.J.. A smulated annealng-based heurstc for the set-coverng problem. Workng paper, Operatons Management and Informaton System Department, Northern Illnos Unversty, Lopes, L. S.. Uma heurístca baseada em algortmos genétcos aplcada ao problema de cobertura de conunto. Dssertação de Mestrado em Computação Aplcada INPE, Salveson, M. E.. The assembly lne balancng problem. Journal of Industral Engneerng, 6, pp , Toregas, C., Swan, R., Revelle, C., and Bergman, L.. The locaton of emergency servce facltes. Operatons Research, 19, pp , Vasko, F.J. e Wlson, G.R.. An Effcent Heurstc for Large Set Coverng Problems. Naval Research Logstc Quarterly, 31, pp , Agradecmentos: Ao suporte parcal do CNPq através dos processos n / PP e n /
3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisUM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO
Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Paula Marana dos Santos (UFV) paula-maranna@hotmal.com
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisMODELOS DE LOCALIZAÇÃO NA SELEÇÃO DE RESERVAS PARA CONSERVAÇÃO DE ESPÉCIES
MODELOS DE LOCALIZAÇÃO NA SELEÇÃO DE RESERVAS PARA CONSERVAÇÃO DE ESPÉCIES Marcelo Gonçalves Narcso CNPTIA EMBRAPA narcso@cnpta.embrapa.br Luz Antono Noguera Lorena lorena@lac.npe.br LAC - Laboratóro Assocado
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisO uso de relaxação Lagrangiana em uma abordagem exata para o problema de carregamento de paletes do produtor
O uso de relaxação Lagrangana em uma abordagem exata para o problema de carregamento de paletes do produtor Llan Káta de Olvera (FSA) llan.olvera@fsa.br Renaldo Morabto (UFSCar) morabto@power.ufscar.br
Leia maisÍndice. Exemplo de minimização de estados mais complexo. estados
Sumáro Método da tabela de mplcações para mnmzar estados. Atrbução de códgos aos estados: métodos baseados em heurístcas. Índce Exemplo de mnmzação de estados mas complexo Método da tabela de mplcações
Leia maisModelo de programação por restrições para o problema de empacotamento ortogonal tridimensional
Capítulo 5 Modelo de programação por restrções para o problema de empacotamento ortogonal trdmensonal Olvana Xaver do Nascmento 1 Llane de Azevedo Olvera 1 Thago Alves de Queroz 1 Resumo: O Problema de
Leia maisPalavras-chave: Máquinas Paralelas, Makespan, Iterated Local Search, Adaptive Local Search
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Um algortmo heurístco para resolver o problema de sequencamento em máqunas paralelas não-relaconadas com tempos de preparação dependentes da sequênca
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisCADERNOS DO IME Série Estatística
CADERNOS DO IME Sére Estatístca ANÁLISE DE MODELOS MATEMÁTICOS PARA O PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO- ALOCAÇÃO DE MÁXIMA COBERTURA Vnícus Morera Pontn Unversdade Federal do Espírto Santo (CEUNES/UFES)
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
ALGORITMO GENÉTICO APLICADO À ELEÇÃO MULTI-CRITÉRIO DE CARTEIRA DE PROJETO DE PETRÓLEO E GÁ Karn upo Gavancho Departamento de Engenhara Elétrca, PUC-RIO, Rua Marques de ão Vcente 225, Ro de Janero Karsupo@ele.puc-ro.br
Leia maisJorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.
Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação
Leia maisALGORITMO GENÉTICO PARA O PROBLEMA DE ESCALONAMENTO DE TAREFAS EM MÁQUINAS PARALELAS COM MÚLTIPLOS OBJETIVOS
ALGORITMO GENÉTICO PARA O PROBLEMA DE ESCALONAMENTO DE TAREFAS EM MÁQUINAS PARALELAS COM MÚLTIPLOS OBJETIVOS José Elas Claudo Arroyo Ralf Luís Perre Rbero Unversdade Cânddo Mendes, UCAM-Campos, Núcleo
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisUM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO
Pesqusa Operaconal na Socedade: Educação, Meo Ambente e Desenvolvmento 12 a 15/09/06 Goâna, GO UM ALGORITMO GENÉTICO PARA O PROBLEMA DE AGRUPAMENTO Flávo Marcelo Tavares Montenegro IBGE Insttuto Braslero
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisBalanceamento das cargas nas respectivas fases do circuito [8]: Posicionamento do transformador abaixador: Recondutoramento dos circuitos:
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN PLANEJAMENTO DE CIRCUITOS SECUNDÁRIOS DE DISTRIBUIÇÃO USANDO ALGORITMO EVOLUTIVO ESPECIALIZADO Antono Marcos Coss Grupo
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisUMA ABORDAGEM HEURÍSTICA VIA MULTIPROCESSAMENTO PARALELO PARA UMA CLASSE DE PROBLEMAS DE SEQUENCIAMENTO EM UMA MÁQUINA
ISSN 2175-6295 Ro de Janero- Brasl, 12 e 13 de agosto de 2010 UMA ABORDAGEM HEURÍSTICA VIA MULTIPROCESSAMENTO PARALELO PARA UMA CLASSE DE PROBLEMAS DE SEQUENCIAMENTO EM UMA MÁQUINA Frederco Augusto de
Leia mais024/ ANÁLISE MULTICRITÉRIO DO PROBLEMA DE SELEÇÃO DE EQUIPAMENTOS EM AMBIENTE JUST IN TIME, UTILIZANDO-SE DE UM ALGORITMO GENÉTICO
ISSN 275-6295 Ro de Janero- Brasl, 05 e 06 de agosto de 2009. SPOLM 2009 024/2009 - ANÁLISE MULTICRITÉRIO DO PROBLEMA DE SELEÇÃO DE EQUIPAMENTOS EM AMBIENTE JUST IN TIME, UTILIZANDO-SE DE UM ALGORITMO
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisEduardo Andrade Veloso
Estruturas de Árvores Dsuntas Obtdas através dos Conuntos Recíprocos Completos e Não Recíprocos e seu uso na Determnação das p-medanas de uma Rede. Eduardo Andrade Veloso Unversdade Estadual da Paraíba
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisANÁLISE DE MODELOS MATEMÁTICOS PARA O PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO- ALOCAÇÃO DE MÁXIMA COBERTURA.
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO A Engenhara de Produção e o Desenvolvmento Sustentável: Integrando Tecnologa e Gestão. Salvador, BA, Brasl, 06 a 09 de outubro de 2009 ANÁLISE DE MODELOS
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAprendizagem de Máquina
Plano de Aula Aprendzagem de Máquna Aprendzagem Baseada em Instâncas Alessandro L. Koerch Introdução Espaço Eucldano Aprendzagem Baseada em Instâncas (ou Modelos Baseados em Dstânca) Regra knn (k vznhos
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisAbordagem da Metaheurística Clustering Search com Simulated Annealing para o Problema de Alocação de Berços de Navios
Abordagem da Metaheurístca Clusterng Search com Smulated Annealng para o Problema de Alocação de Berços de Navos Rudne Martns de Olvera 1, *, Geraldo Regs Maur 2, Luz Antono Noguera Lorena 3 1 rudmart@gmal.com,
Leia maisO PROBLEMA DE RECOBRIMENTO DE ROTAS: FORMULAÇÃO, TESTES DE REDUÇÃO E SOLUÇÕES APROXIMADAS VIA GRASP
O PROBLEMA DE RECOBRIMENTO DE ROTAS: FORMULAÇÃO, TESTES DE REDUÇÃO E SOLUÇÕES APROXIMADAS VIA GRASP Lucene Crstna Soares Motta 1 Luz Satoru Och 1 Carlos Alberto Martnhon 1 Abstract The Coverng Tour Problem
Leia maisUm Algoritmo Evolutivo com Reconexão de Caminhos para o Problema de Clusterização Automática
Artgo apresentado e publcado nos Proc. of the XII LAIO 2004 XII Latn-Ibero-Amercan ongress on Operatons Research Um Algortmo Evolutvo com Reconexão de amnhos para o Problema de lusterzação Automátca Stêno
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisO USO DE RELAXAÇÕES LAGRANGIANA E SURROGATE NO PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR
A pesqusa Operaconal e os Recuos Renováves 4 a 7 de novembro de 003, Natal-RN O USO DE RELAXAÇÕES LAGRANGIANA E SURROGATE NO PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR Llan Káta de Olvera Renaldo
Leia maisMÉTODOS EXATOS BASEADOS EM RELAXAÇÕES LAGRANGIANA E SURROGATE PARA O PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR
versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-514 MÉTODOS EXATOS BASEADOS EM RELAXAÇÕES LAGRANGIANA E SURROGATE PARA O PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR Llan Káta de Olvera Renaldo
Leia maisUM ESTUDO SOBRE PROBLEMAS DE AGRUPAMENTO CAPACITADO
UM ESTUDO SOBRE PROBLEMAS DE AGRUPAMENTO CAPACTADO Fernando Stefanello stefanello@nf.ufsm.br Felpe Martns Müller felpe@nf.ufsm.br Unversdade Federal de Santa Mara - Centro de Tecnologa Av. Rorama no. 1000
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia mais3.2. Solução livre de ciclos e solução como uma árvore geradora
Smplex Para Redes.. Noções Incas O algortmo Smplex para Redes pode ser entenddo como uma especalzação do método Smplex para aplcação em problemas de programação lnear do tpo fluxo de custo mínmo. O Smplex
Leia maisUMA NOVA ABORDAGEM PARA O PROBLEMA DA MOCHILA COMPARTIMENTADA
Pesusa Operaconal na Socedade: Educação, Meo Ambente e Desenvolvmento a 5/09/06 Goâna, GO UMA NOVA ABORDAGEM PARA O PROBLEMA DA MOCHILA COMPARTIMENTADA Robnson Hoto e Alexandre Fenato Unversdade Estadual
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisMedidas de Tendência Central. Prof.: Ademilson Teixeira
Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisUM ALGORITMO BASEADO EM ESTRATÉGIAS EVOLUTIVAS PARA O PROBLEMA DE PLANEJAMENTO OPERACIONAL DE LAVRA
UM ALGORITMO BASEADO EM ESTRATÉGIAS EVOLUTIVAS PARA O PROBLEMA DE PLANEJAMENTO OPERACIONAL DE LAVRA Vtor Nazaro Coelho (UFOP) vncoelho@gmal.com Marcone Jamlson Fretas Souza (UFOP) marcone.fretas@o.com.br
Leia maisUMA HEURÍSTICA PARA O PROBLEMA DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. UMA HEURÍSTICA PARA O PROBLEMA DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO Alexandre Venturn Faccn Pacheco (UFES) alexandreventurn@gmal.com
Leia maisAPLICAÇÃO DO ALGORITMO GENÉTICO DE CHAVES ALEATÓRIAS VICIADAS AO PROBLEMA DE ESCALONAMENTO DE TÉCNICOS DE CAMPO
APLICAÇÃO DO ALGORITMO GENÉTICO DE CHAVES ALEATÓRIAS VICIADAS AO PROBLEMA DE ESCALONAMENTO DE TÉCNICOS DE CAMPO Rcardo de Brto Damm Departamento de Engenhara de Produção da Escola Poltécnca, USP rbdamm@usp.br
Leia mais3 Algoritmo de Busca Tabu
3 Algortmo de Busca Tabu 3.1 Introdução A forma básca do algortmo de Busca Tabu está fundamentada nas déas propostas em [Glover Laguna, 1997] e é baseado em procedmentos heurístcos que permtem explorar
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisDetecção Multiusuário Utilizando Algoritmos Heurísticos Evolucionários e de Busca Local
Detecção Multusuáro Utlzando Algortmos Heurístcos Evoluconáros e de Busca Local Multuser Detecton Usng Evolutonary and Local Search Heurstc Algorthms Fernando Craco Das Neto ; Taufk Abrão ; Paul Jean E.
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisMETAHEURÍSTICA GRASP BI- OBJETIVO PARA UM PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES
METAHEURÍSTICA GRASP BI- OBJETIVO PARA UM PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES WELTON DE SOUZA RIBEIRO (UFV) weltonsrbero@gmal.com JOSE ELIAS CLAUDIO ARROYO (UFV) jarroyo@dp.ufv.br Neste artgo é abordado
Leia maisGRASP PARA OTIMIZAR O CARREGAMENTO DE UM CONTÊINER
A ntegração de cadeas produtvas com a abordagem da manufatura sustentável. Ro de Janero, RJ, Brasl, 13 a 16 de outubro de 2008 GRASP PARA OTIMIZAR O CARREGAMENTO DE UM CONTÊINER ETELVIRA CRISTINA BARRETO
Leia maisO PROBLEMA DE CORTE DE ESTOQUE COM APROVEITAMENTO DE SOBRAS: UM ESTUDO DE COMPARAÇÃO DE DIFERENTES MODELOS MATEMÁTICOS E HEURÍSTICAS DE RESOLUÇÃO
Unversdade Tecnológca Federal do Paraná - UTFPR Campus Ponta Grossa - Paraná - Brasl SSN 1808-0448 / v. 11, n. 3: p. 26-51, 2015 D.O..: 10.3895/g.v11n3.2807 O PROBLEMA DE CORTE DE ESTOQUE COM APROVETAMENTO
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia maisESCOLA POLITÉCNICA DE PERNAMBUCO. Resumo
Resumo A Computação Evoluconára tem sdo bem aplcada na resolução de dversos problemas. Notadamente, a programação evoluconára apresenta bons resultados na mnmzação de funções multmodas. Tradconalmente,
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisMecanismos de Escalonamento
Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
XXXIV SBPO SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ A PESQUISA OPERACIONAL E AS CIDADES UM MÉTODO EXATO BASEADO EM RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO
Leia maisModelagens Exata e Heurística para Resolução do Problema do Caixeiro Viajante com Coleta de Prêmios
XXIV Encontro Nac. de Eng. de Produção - Floranópols, SC, Brasl, 03 a 05 de nov de 2004 Modelagens Exata e Heurístca para Resolução do Problema do Caxero Vajante com Coleta de Prêmos Antôno Augusto Chaves
Leia maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisSeqüenciação de N ordens de produção em uma máquina com tempo de preparação dependente da seqüência uma aplicação de busca tabu
XXVI ENEGEP - Fortaleza, CE, Brasl, 9 a 11 de Outubro de 2006 Seqüencação de N ordens de produção em uma máquna com tempo de preparação dependente da seqüênca uma aplcação de busca tabu Renato de Olvera
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisModelo de Programação Estocástica
Modelo de Programação Estocástca 23 2 Modelo de Programação Estocástca 2.. Concetos báscos A programação estocástca (PE) é defnda como um modelo de otmzação que apresenta um ou mas parâmetros estocástcos
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisUMA ABORDAGEM EXATA UTILIZANDO RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO DE PALETES
UMA ABORDAGEM EXATA UTILIZANDO RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO DE PALETES Llan Káta de Olvera Unversdade Federal de São Carlos, Departamento de Engenhara de Produção Centro Unverstáro
Leia mais