Análise Temporal da Implementação da Fila de Aptos como Lista Ordenada e Lista Desordenada

Tamanho: px
Começar a partir da página:

Download "Análise Temporal da Implementação da Fila de Aptos como Lista Ordenada e Lista Desordenada"

Transcrição

1 Anas do XXVI Congresso da SBC WSO l III Workshop de Sstemas Operaconas 14 a 20 de julho de 2006 Campo Grande, MS Análse Temporal da Implementação da Fla de Aptos como Lsta Ordenada e Lsta Desordenada Rcardo Bacha Borges, Rômulo Slva de Olvera Departamento de Automação e Sstemas (DAS) Unversdade Federal de Santa Catarna (UFSC) Caxa Postal Floranópols SC Brasl {rbb,romulo}@das.ufsc.br Abstract. The ready queue mantans the tasks that are watng to execute. There are many ways to mplement the ready queue, but the classc form conssts of usng a chaned lst sorted accordng to the task prortes. An alternatve, although rarely used, would be to mantan an unsorted chaned lst. The objectve of ths paper s to make a tmng analyss of the mplementaton of the ready queue. The same analyss s accomplshed for the mplementatons as sorted lst and unsorted lst. The analyss shows that, for real-tme systems, t may be better to mantan the ready queue unsorted. Resumo. A fla de aptos (ready queue) mantém as tarefas que estão esperando para executar. Exstem mutas formas de mplementar a fla de aptos, mas a forma clássca consste em usar uma lsta encadeada ordenada conforme a prordade de execução das tarefas. Uma mplementação alternatva, porém raramente utlzada, sera manter a lsta encadeada desordenada. O objetvo deste artgo é realzar uma análse temporal da mplementação da fla de aptos. A mesma análse é realzada para as mplementações como lsta ordenada e como lsta desordenada. A análse mostra que, para sstemas de tempo real, pode ser melhor manter a fla de aptos desordenada. 1. Introdução Sstemas de tempo real são aqueles caracterzados pela exstênca de requstos de natureza temporal explíctos e não trvas em sua especfcação. Nesse tpo de sstema, os aspectos temporas não estão lmtados a questões de desempenho, mas sm à própra utldade do sstema. Um sstema de tempo real que não atende aos seus requstos temporas smplesmente não funcona. Enquanto nos sstemas convenconas o objetvo do projetsta é executar as tarefas o mas rápdo possível, em sstemas de tempo real o objetvo do projetsta é executar as tarefas no tempo correto, ou seja, no tempo especfcado. A forma mas comum de explctar requsto temporal é estabelecer deadlnes para certas tarefas. É necessáro garantr em tempo de projeto que o tempo de resposta da tarefa em questão será menor ou gual ao seu deadlne, sto no por cenáro possível. O não atendmento a este requsto pode resultar em catástrofes no caso dos sstemas crítcos (hard deadlne) ou na nutldade do sstema desenvolvdo no caso dos sstemas crítcos à mssão (frm deadlne). 1

2 Assm como aplcações convenconas, aplcações de tempo real são mas faclmente construídas se puderem aprovetar os servços de um sstema operaconal (SO). Desta forma, o programador da aplcação não precsa preocupar-se com a gerênca dos recursos báscos (processador, memóra físca, controladores de perfércos). Entretanto, uma vez que tanto a aplcação como o SO compartlham os mesmos recursos do hardware, o comportamento temporal do SO afeta o comportamento temporal da aplcação. Por exemplo, consdere a rotna do sstema operaconal que trata as nterrupções do temporzador em hardware. O projetsta da aplcação pode gnorar completamente a função desta rotna, mas não pode gnorar o seu efeto temporal, sto é, a nterferênca que ela causa nas tarefas da aplcação. No caso dos sstemas embutdos (embedded system) de pequeno porte com requstos temporas, as lmtações de memóra, de energa e de capacdade de processamento exgem a utlzação de sstemas operaconas de propósto específco, ajustados exatamente para a aplcação em questão. Lmtados a um smples mcrokernel, esses sstemas operaconas são construídos pelo própro desenvolvedor da aplcação ou, pelo menos, alterados e confgurados por este. Uma estrutura de dados quase sempre presente nos sstemas operaconas de qualquer porte é a fla de aptos (ready queue). Ela mantém a fla das tarefas que estão esperando para executar, ou seja, esperando para que o seu contexto de execução seja carregado e o processador passe a executar as nstruções da sua aplcação. Exstem mutas formas de mplementar a fla de aptos, mas a forma clássca consste em usar uma lsta encadeada unndo os descrtores das váras tarefas. Tpcamente, esta lsta encadeada é mantda ordenada conforme a prordade de execução das tarefas. A lberação de uma tarefa mplca em uma nserção na lsta encadeada ordenada, enquanto a localzação da próxma tarefa a executar é a prmera posção da fla. Uma mplementação alternatva, porém raramente utlzada, sera manter a lsta encadeada desordenada. Neste caso, a lberação de uma tarefa mplca em uma nserção em qualquer lugar da lsta. Já a seleção da próxma tarefa a executar mplca em percorrer toda a lsta encadeada desordenada para localzar a tarefa com maor prordade. O objetvo deste artgo é realzar uma análse temporal da mplementação da fla de aptos. A mesma análse é realzada para as mplementações como lsta ordenada e como lsta desordenada. A análse mostra que, para sstemas de tempo real, pode ser melhor manter a fla de aptos desordenada. Este é um resultado não ntutvo, possível através de uma modelagem algébrca do comportamento do sstema no tempo. Na seção 2 são lstados város trabalhos presentes na lteratura que tratam da mplementação da fla de aptos em sstemas de tempo real. Na seção 3 é estabelecda a arqutetura de software consderada neste artgo. A seção 4 contém a análse temporal realzada sobre as mplementações clásscas da fla de aptos. A seção 5 contém um exemplo numérco da análse realzada. Fnalmente, os comentáros fnas aparecem na seção Trabalhos Relaconados Tradconalmente são utlzados algortmos e estruturas de dados convenconas, tas como lstas encadeadas, na mplementação das flas dentro dos sstemas operaconas. O processamento de lstas encadeadas ntroduz substancal overhead em cenáros de por 2

3 caso, como na lberação smultânea de váras tarefas peródcas. A complexdade computaconal desta operação está assocada com O(n 2 ), pos no por caso é necessáro mover n tarefas da lsta encadeada de espera para a lsta encadeada que representa a fla do processador [Katcher;Arakawa;Strosnder 1993]. Em [Burns;Tndell;Wellngs 1995] é mostrado expermentalmente que a lberação smultânea de 20 tarefas peródcas pode ocupar até 570us do tempo de um processador M68020 executando o sstema operaconal Olympus. Nesse mesmo processador e sstema operaconal a lberação de uma únca tarefa demora apenas 76us. Segundo [Angelov;Ivanov;Burns 2002], o problema do overhead assocado com a lberação de tarefas pode ser mnmzado através da substtução da tradconal mplementação da fla do processador como uma lsta encadeada. No lugar, a fla do processador pode ser pensada como um conjunto de vetores booleanos, resultando em operações rápdas e tempo de execução constante, ndependente do número de tarefas envolvdas. Em [Brown 1988] e [Mhatre 2001] são apresentados estudos nteressantes sobre a mplementação de flas de prordade no contexto dos sstemas de tempo real. Em [Leyva-Del-Foyo;Meja-Alvares;Nz 2006] os autores descrevem uma técnca de mplementação na qual as nterrupções de hardware respetam as prordades das nterrupções de software, resultando em um sstema mas prevsível. Entretanto, no caso das nterrupções do tmer a técnca apresenta lmtações pos a prordade da nterrupção é varável, sto é, depende das tarefas que precsam ser acordadas. Em [Olvera 2003] são dscutdos aspectos construtvos dos sstemas operaconas de tempo real, nclusve a mplementação da fla de aptos, mas nenhuma modelagem algébrca é apresentada. 3. Arqutetura de Software Consderada Neste trabalho é suposto que cada tarefa do sstema é representada por um descrtor, o qual nclu apontadores para a montagem de uma lsta. A fla de aptos é mplementada como uma lsta ordenada ou desordenada, onde os própros descrtores de tarefa são utlzados como elementos da lsta. Como é típco em sstemas de tempo real, será suposto o emprego de escalonamento preemptvo baseado em prordades fxas. O SO não altera as prordades das tarefas defndas pelo projetsta da aplcação. Este mecansmo permte que o projetsta da aplcação defna as prordades das tarefas utlzando polítcas bem conhecdas, como o taxa monotônca (rate monotonc) e o deadlne monotônco (deadlne monotonc) [Audsley;Burns;Wellngs 1993]. Neste trabalho também é suposto que as tarefas são peródcas ou esporádcas. Tarefas peródcas possuem um ntervalo de tempo fxo entre lberações consecutvas (período). Tarefas esporádcas apresentam um ntervalo mínmo de tempo entre cada duas lberações consecutvas. No caso das tarefas peródcas, a espera até o próxmo nstante de lberação é feta através de uma função de temporzação (sleep). O tempo de espera é o nstante da próxma lberação menos o nstante de solctação da espera. A mplementação da função de temporzação (sleep) utlza uma lsta encadeada de descrtores de espera. Esta lsta é mantda ordenada conforme o nstante de acordar. Desta forma, a prmera tarefa a ser acordada é ndcada pelo prmero descrtor desta lsta. É suposta a exstênca de um temporzador em hardware (tmer) que suporta esta 3

4 funconaldade. Como é típco em sstemas de tempo real, o temporzador em hardware não opera em modo peródco mas sm em modo de dsparo únco (sngle-shot). O temporzador em hardware é programado para gerar uma nterrupção apenas no próxmo nstante de nteresse. Uma vez que a próxma tarefa a ser acordada é a prmera da lsta, o temporzador em hardware é sempre programado conforme o tempo de espera desta tarefa. Após o seu dsparo, ele é reprogramado para acordar a tarefa segunte da lsta, e assm sucessvamente. Na lteratura de tempo real este mecansmo é conhecdo como temporzador de alta resolução. Neste trabalho será consderada a exstênca de N tarefas de software no sstema, nclundo em N tanto as tarefas da aplcação como quasquer tarefas de sstema exstentes (threads de kernel). Cada tarefa T, com entre 1 e N, é dentfcada neste trabalho pela sua prordade. A tarefa T 1 é a tarefa mas prortára do sstema, enquanto a tarefa T N é a menos prortára. Todas as tarefas são peródcas ou esporádcas. Além das tarefas de software, é precso consderar o tratador das nterrupções geradas pelo temporzador em hardware, conforme a mplementação das temporzações. 4. Análse Temporal Esta seção apresenta a análse temporal de por caso para a mplementação da fla de aptos como lsta ordenada e como lsta desordenada. Incalmente é descrto o método de análse empregado neste estudo Método de Análse Temporal Neste trabalho são usados os métodos de análse de escalonabldade desenvolvdos por Audsley em sua tese [Audsley 1994], para tarefas com deadlne menor ou gual ao período, os quas estendem o trabalho anteror de Joseph e Pandya [Joseph;Pandya 1989]. Posterormente, Tndell em sua tese [Tndell 1994] estendeu este tpo de análse para tarefas com deadlne arbtráro, entre outras cosas. Descrções da abordagem podem ser encontradas em [Audsley et al. 1993], [Audsley;Burns;Wellngs 1993], [Tndell;Burns;Wellngs 1994], [Burns;Tndell;Wellngs 1995]. Embora esta abordagem também tenha sdo estendda para ambentes dstrbuídos, este artgo trata exclusvamente de sstemas com um únco processador. De forma smplfcada, a análse de escalonabldade em questão assume que uma prordade fxa é assocada a cada tarefa em tempo de projeto. Durante a execução é utlzado um escalonador preemptvo baseado em prordades. Testes de escalonabldade em tempo de projeto calculam o tempo máxmo de resposta para cada tarefa e os comparam com os respectvos deadlnes, avalando dessa forma a escalonabldade do sstema. Os testes de escalonabldade verfcam um conjunto de tarefas com prordades fxas arbtráras, atrbuídas de acordo com qualquer polítca. Em mutos casos, a atrbução de prordades pelo deadlne monotônco é ótma [Leung;Whtehead 1982]. A lmtação de espaço mpede uma descrção detalhada das equações empregadas na análse de escalonabldade usada neste trabalho. A título de lustração, consdere um sstema formado por N tarefas, onde cada tarefa T é peródca com período P ou esporádca com ntervalo mínmo entre atvações P. Cada tarefa T possu uma prordade fxa ρ(t ). Cada tarefa T também possu um tempo máxmo de computação 4

5 C, um deadlne D e uma varação na lberação máxma (release jtter) J. É suposto que D P para todas as tarefas. Em cada atvação da tarefa T ela pode ser bloqueada por tarefas de menor prordade no máxmo B undades de tempo. Dadas as condções acma, o tempo máxmo de resposta R de cada tarefa T pode ser calculado através das equações abaxo, onde W é obtdo através de um processo teratvo, com complexdade pseudo-polnomal. O conjunto HP() é formado por todas as tarefas com prordade maor ou gual a prordade da tarefa T. J + W W j = C + B + C j HP ( ) j [Eq. 1] Pj R J + W = [Eq. 2] As equações apresentadas contnuam váldas quando polítcas de gerênca de recursos tas como herança de prordade e prorty celng são usadas nas stuações de exclusão mútua. Por outro lado, as equações apresentadas são váldas apenas para deadlne menor ou gual ao período. Equações semelhantes são apresentadas em [Tndell;Burns;Wellngs 1994] para deadlnes arbtráros (podem ser maores que o período) Modelagem da Arqutetura Consderada O objetvo desta seção é modelar algebrcamente o atraso que uma tarefa T sofre em função das operações relaconadas com a fla de aptos. Obvamente este atraso está assocado com operações sobre a fla de aptos tanto relaconadas com a própra tarefa T como relaconadas com outras tarefas, em função das nterrupções do temporzador em hardware. O prmero passo na modelagem é defnr pseudo-tarefas que representem os fluxos de execução que exstem além das tarefas da aplcação. No caso deste estudo, as execuções do tratador de nterrupções do tmer precsam ser modeladas. Quando o temporzador em hardware gera nterrupções peródcas a modelagem é smples, basta defnr uma pseudo-tarefa com o período do tmer e o tempo de execução no por caso (worst-case executon tme) do tratador de nterrupções do tmer. Esta abordagem smples não é possível neste estudo, uma vez que o temporzador em hardware é sucessvamente programado no modo dsparo únco. Para modelar o comportamento do tratador de nterrupções do tmer deve-se observar que ele é atvado sempre que nca o período de alguma tarefa de software. Ou seja, cada tarefa da aplcação dá orgem a uma pseudo-tarefa, assocada com a execução do tratador de nterrupções do tmer quando ele acorda a tarefa da aplcação em questão. No caso do sstema estudado, para cada T, 1 N, exste uma pseudo-tarefa H, cujo período P(H) é o mesmo período da tarefa T. Entretanto, a prordade de qualquer tarefa H será sempre maor que a prordade de qualquer tarefa T, uma vez que H representa a execução do tratador de nterrupções do tmer, a qual acontece mesmo quando T1 está executando. Em resumo, qualquer tarefa Hk, 1 k N, nterfere com todas as tarefas T, 1 N. Outra questão relevante é o número de vezes que Hk pode ocorrer durante a execução de T. Uma vez que fo assumdo D P, temos que uma nova lberação da tarefa T só va ocorrer após a lberação anteror da tarefa T estar concluída. Ou seja, 5

6 para cada tarefa T, ou ela está na fla de aptos esperando pelo processador, ou ela está na fla de sleep esperando pela nterrupção do tmer. O tempo de execução no por caso C(H) é o tempo que o tratador de nterrupções do tmer demora, no por caso, quando a tarefa T é acordada. O valor deste tempo é dscutdo nas seções seguntes. Vamos agora adaptar as equações [Eq.1] e [Eq.2] para o cenáro deste estudo. O termo B surge de stuações de exclusão mútua (sncronzação entre tarefas) quando uma tarefa de mas baxa prordade executa uma operação de lock sobre uma varável tpo mutex ou semáforo. Isto pode bloquear a execução de outra tarefa de mas alta prordade, quando no futura ela executa uma operação lock sobre a mesma varável de sncronzação. Consderando o objetvo deste estudo, vamos consderar B=0 para todas as tarefas, ou seja, é suposto que as stuações de exclusão mútua da aplcação afetam os tempos de resposta de forma smlar, não mportando como a fla de aptos fo mplementada. Por outro lado, toda execução da tarefa T deve necessaramente ser precedda por uma execução de H, ou seja, a execução do tratador da nterrupção de tmer que exatamente lbera a tarefa T. Isto pode ser modelado como J = C(H). O tempo de computação de H representa o atraso para a lberação de T. Qualquer período de nterrupções desabltadas representa um possível atraso de lberação para os tratadores de nterrupções. Este valor será defndo pelo tempo máxmo de manpulação das flas de aptos e de espera, pos as mesmas exgem exclusão mútua entre os tratadores de nterrupção e, portanto, nterrupções desabltadas. Desta forma, temos que J(H1)=J(H2)=J(H3)=J(H4)=J(H5)=JH, que depende da forma de mplementação da fla de aptos. Quando uma tarefa da aplcação conclu sua execução, o processador fca lvre e é necessáro seleconar a próxma tarefa para execução. O tempo necessáro para seleconar, na fla de aptos, qual tarefa será executada a segur, também deve ser somado ao tempo de resposta das tarefas de mas baxa prordade. Pode-se modelar este efeto substtundo Cj por CAj na [Eq. 1], ou seja, CAj representa o tempo de execução no por caso da tarefa Tj acrescdo pelo tempo necessáro para escolher, na fla de aptos, o seu sucessor. O valor do ajuste depende da forma como a fla de aptos é mplementada. Com respeto às nterferêncas, cada tarefa T será afetada por Hk da segunte forma: possvelmente váras vezes se k < (Tk executa váras vezes enquanto T executa uma), nenhuma vez se k = (o efeto de Hk está modelado pelo J) ou no máxmo uma únca vez se k > (Tk não pode executar antes de T termnar). Pode-se reescrever as equações do tempo de resposta em função dessas colocações, defnndo anda PHP() (Pseudo Hgher Prorty) como o conjunto de tarefas {Hk k < } e PLP() (Pseudo Lower Prorty) como o conjunto de tarefas {Hk k > }. W = C + J + W CA + J + W C j H j HP( ) j k PHP( ) Hk k PLP( ) Pj PHk + C Hk [Eq. 3] 6

7 R J + W = [Eq. 4] 4.3. Fla de Aptos como Lsta Ordenada Quando a pseudo-tarefa H executa, a prmera tarefa da fla de espera é a tarefa T, pela própra defnção de H. O tratador da nterrupção do tmer deve então remover a prmera tarefa da fla de espera, cujo tempo de execução é remove_p. Em seguda, o tratador de nterrupções do tmer deve nserr T na fla de aptos. Como a fla de aptos é mantda como uma lsta ordenada, o tempo de nserção depende do tamanho atual da fla de aptos e da prordade da tarefa sendo nserda. No por caso, a tarefa sendo nserda possu uma prordade mas baxa do que todas as demas tarefas presentes na fla de aptos. Isto exge um camnhamento seqüencal sobre a lsta encadeada até o seu fnal. Por exemplo, a Tabela 1 mostra os valores para C(H) quando N=5, nsere(x) representa o tempo de nserção quando a fla tem tamanho x. Tabela 1. Valores de C(H) quando N=5, lsta ordenada Pseudo-tarefa Remoção da fla de espera Inserção na fla de aptos H1 (acordar T1) remove_p nsere(0) H2 (acordar T2) remove_p nsere(1) H3 (acordar T3) remove_p nsere(2) H4 (acordar T4) remove_p nsere(3) H5 (acordar T5) remove_p nsere(4) A Tabela 2 mostra os valores característcos das pseudo-tarefas quando N=5. Com respeto às prordades, temos que: ρ(h1) = ρ(h2) = ρ(h3) = ρ(h4) = ρ(h5) > ρ(t1) > ρ(t2) > ρ(t3) > ρ(t4) > ρ(t5). Tabela 2. Valores característcos das peudo-tarefas, lsta ordenada Pseudo-tarefa Período Tempo de execução Prordade H1 P(H1) = P1 C(H1)=remove_p+nsere(0) ρ(h1) H2 P(H2) = P2 C(H2)=remove_p+nsere(1) ρ(h2) H3 P(H3) = P3 C(H3)=remove_p+nsere(2) ρ(h3) H4 P(H4) = P4 C(H4)=remove_p+nsere(3) ρ(h4) H5 P(H5) = P5 C(H5)=remove_p+nsere(4) ρ(h5) 7

8 Quando uma tarefa da aplcação conclu sua execução, o processador fca lvre e é necessáro seleconar qual será a próxma tarefa a executar. Como a lsta está ordenada, basta pegar a prmera tarefa da lsta para execução. Este tempo é semelhante ao tempo para remover uma tarefa da fla de espera, ou seja, remove_p. Logo, temos neste caso que CAj = Cj + remove_p. Neste tpo de mplementação, no por caso as nterrupções poderão fcar desabltadas por remove_p+nsere(n-1) undades de tempo. Este deve ser o valor usado como varação de lberação (release jtter) no caso das pseudo-tarefas H, ou seja: JH = remove_p+nsere(n-1) Fla de Aptos como Lsta Desordenada Novamente, quando a pseudo-tarefa H executa, a prmera tarefa da fla de espera é a tarefa T, pela própra defnção de H. O tratador da nterrupção do tmer deve então remover a prmera tarefa da fla de espera, cujo tempo de execução é remove_p. Em seguda, o tratador de nterrupções do tmer deve comparar a prordade da tarefa sendo acordada T com a prordade da tarefa executando. Caso a prordade de T seja mas alta, ocorre uma troca de contexto e a tarefa que estava executando é nserda em qualquer lugar da fla de aptos. Caso T não seja a tarefa mas prortára, ela é nserda em qualquer lugar da fla de aptos. De qualquer forma, teremos uma nserção em lsta encadeada desordenada, cujo tempo de execução é nsere_p. Por exemplo, a Tabela 3 mostra os valores para C(H) quando N=5. A Tabela 4 mostra os valores característcos das pseudo-tarefas quando N=5. Com respeto às prordades, temos novamente que: ρ(h1) = ρ(h2) = ρ(h3) = ρ(h4) = ρ(h5) > ρ(t1) > ρ(t2) > ρ(t3) > ρ(t4) > ρ(t5). Tabela 3. Valores de C(H) quando N=5, lsta desordenada Pseudo-tarefa Remoção da fla de espera Inserção na fla de aptos H1 (acordar T1) remove_p nsere_p H2 (acordar T2) remove_p nsere_p H3 (acordar T3) remove_p nsere_p H4 (acordar T4) remove_p nsere_p H5 (acordar T5) remove_p nsere_p Tabela 4. Valores característcos das peudo-tarefas, lsta desordenada Pseudo-tarefa Período Tempo de execução Prordade H1 P(H1) = P1 C(H1)=remove_p +nsere_p ρ(h1) H2 P(H2) = P2 C(H2)=remove_p +nsere_p ρ(h2) H3 P(H3) = P3 C(H3)=remove_p +nsere_p ρ(h3) H4 P(H4) = P4 C(H4)=remove_p +nsere_p ρ(h4) H5 P(H5) = P5 C(H5)=remove_p +nsere_p ρ(h5) 8

9 Também é necessáro seleconar qual será a próxma tarefa a executar, quando uma tarefa da aplcação conclu sua execução. Como a lsta está desordenada, será necessáro percorrer toda a lsta desordenada e seleconar a tarefa na fla de aptos com a maor prordade. Sabe-se no entanto que, quando a tarefa Tj conclu, todos os membros da lsta possuem prordade menor que j. No por caso, quando Tj conclu, a fla de aptos nclu todas as tarefas de j+1 até N. Logo, temos que CAj = Cj + remove(n-j), onde remove(x) representa o tempo para localzar e remover a tarefa mas prortára em uma lsta desordenada de tamanho x. Neste tpo de mplementação, no por caso, as nterrupções poderão fcar desabltadas por remove(n-1) undades de tempo. Este deve ser o valor usado como varação de lberação (release jtter) no caso das pseudo-tarefas H, ou seja: JH = remove(n-1) Comentáros Quando a fla de aptos é mplementada por uma lsta ordenada, a operação de escolha da próxma tarefa é rápda, basta utlzar a prmera tarefa da lsta. Entretanto, esta solução traz uma desvantagem. Enquanto uma tarefa mas prortára está executando, nterrupções do tmer que snalzam a lberação de tarefas menos prortáras são tratadas. Isto sgnfca parar temporaramente a execução da tarefa mas prortára para retrar da fla de espera e nserr corretamente na fla de aptos uma tarefa que será executada no futuro. Temos na verdade uma nversão de prordades, modelada como a nterferênca de, por exemplo, H5 sobre T1. A solução baseada em lsta desordenada mnmza este problema ao smplfcar o atendmento a esta nterrupção. A nserção desordenada tem um custo menor que a nserção oredenada, reduzndo a nterferênca sofrda pela tarefa de mas alta prordade. Entretanto, o preço a ser pago é um maor tempo de chaveamente de contexto, pos agora é sempre necessáro percorrer toda a fla de aptos para decdr qual a próxma tarefa a executar. Este atraso afeta prncpalmente as tarefas de mas baxa prordade. Os efetos quanttatvos da escolha do tpo de lsta dependem em parte do número de tarefas e das relações entre os períodos das mesmas. A próxma seção traz um exemplo numérco onde a modelagem algébrca construda neste artgo é aplcada. 5. Exemplo Numérco Para lustrar os modelos construídos na seção anteror, vamos consderar uma aplcação hpotétca. No sentdo de usar números realstas, foram mplementadas lstas encadeadas em um DSP (Dgtal Sgnal Processor) e os tempos de operação foram meddos. Obvamente os tempos exatos dependem do modelo do processador, do códgo fonte e do complador usado. Os números apresentados aqu foram meddos em um DSP 2407 da Texas Instruments. As rotnas foram programadas em C e compladas na ferramenta Code Composer Studo, também da Texas Instruments. No exemplo numérco serão utlzados os tempos para manpulação de lstas mostrados na Tabela 5. O valor x ndca o tamanho da lsta antes da operação. 9

10 Tabela 5. Valores numércos para operações sobre lstas Operação Tempo em mcrosegundos Insere_p 0.9 Insere(x) x Remove_p 0.7 Remove(x) x A Tabela 6 mostra os parâmetros que caracterzam as tarefas da aplcação. Tabela 6. Tarefas da aplcação exemplo Tarefa Período (us) Tempo de execução (us) T T T T T A tabela 7 mostra como fcam as pseudo-tarefas no caso da lsta ordenada. Temos anda que, para lsta ordenada, CAj = Cj e JH = = 4.0. Tabela 7. Valores característcos das peudo-tarefas, lsta ordenada Pseudo-tarefa Período (us) Tempo de execução (us) H1 P(H1) = 50 C(H1) = = 1.6 H2 P(H2) = 50 C(H2) = = 2.2 H3 P(H3) = 300 C(H3) = = 2.8 H4 P(H4) = 500 C(H4) = = 3.4 H5 P(H5) = 500 C(H5) = = 4.0 A tabela 8 mostra como fcam as pseudo-tarefas no caso da lsta desordenada. Temos anda que, para lsta desordenada: CAj = Cj (5-j) e JH = remove(4), ou seja, JH =

11 Tabela 8. Valores característcos das peudo-tarefas, lsta desordenada Pseudo-tarefa Período (us) Tempo de execução (us) H1 P(H1) = 50 C(H1)= =1.6 H2 P(H2) = 50 C(H2)= =1.6 H3 P(H3) = 300 C(H3)= =1.6 H4 P(H4) = 500 C(H4)= =1.6 H5 P(H5) = 500 C(H5)= =1.6 Fnalmente, a Tabela 9 mostra os tempos de resposta no por caso de todas as cnco tarefas da aplcação. Como esperado, o tempo de resposta das tarefas de maor prordade dmnu, enquanto o tempo de resposta das tarefas de menor prordade aumentou. Isto mostra que, do ponto de vsta dos sstemas de tempo real, pode ser vantajoso mplementar a fla de aptos como uma lsta desordenada. Tarefa 6. Conclusões Tabela 9. Tempos de resposta das tarefas da aplcação Tempo de resposta (us) Lsta Ordenada Tempo de resposta (us) Lsta Desordenada T T T T T Neste artgo fo apresentada a modelagem temporal da mplementação da fla de aptos como lsta ordenada e como lsta desordenada. Foram construídas equações que permtem calcular o tempo de resposta das tarefas da aplcação a partr das característcas báscas do sstema. A modelagem mostrou que manter a lsta desordenada dmnu o tempo de resposta no por caso das tarefas de mas alta prordade. O preço a ser pago é um maor tempo de resposta para as tarefas de prordade mas baxa. Consderando-se que em sstemas de tempo real o mas mportante é garantr o cumprmento dos deadlnes por parte das tarefas, o uso de uma lsta desordenada para mplementar a fla de aptos poderá vablzar o atendmento do deadlne da tarefa mas prortára, quando a fla de aptos como lsta ordenada não consegura. Esta questão torna-se tão mas mportante quanto menores forem os tempos de execução das tarefas, ou seja, mas relevante o overhead mposto pelo sstema operaconal. No caso de sstemas exgentes, a fla de aptos pode ser mplementada com estruturas de dados mas complexas, como dscutdo na seção 2. Na lteratura de tempo real exste teora sufcente para a modelagem completa de um sstema operaconal. Embora seja dfícl aplcar a modelagem em sstemas 11

12 operaconas antgos, construídos sem preocupações de tempo real, é vável aplcá-la a um sstema operaconal completo, desde que ele seja construdo com algum cudado. É razoável esperar que, em alguns anos, exstrão sstemas operaconas completos (com funconaldade semelhante ao Lnux e ao Wndows XP), onde equações permtrão o cálculo do tempo máxmo de resposta para cada tarefa do sstema, mesmo que tarefas utlzem lvremente os servços do sstema operaconal. References Angelov, C. K., Ivanov, I. E., Burns, A. (2002) HARTEX - a safe real-tme kernel for dstrbuted computer control systems Software - Practce and Experence 32(3), pages Audsley, N. C., Burns, A., Rchardson, M. F., Tndell, K., Wellngs, A. J. (1993) Applyng New Schedulng Theory to Statc Prorty Pre-emptve Schedulng Software Engneerng Journal, Vol. 8, No. 5, pages Audsley, N. C., Burns, A., Wellngs, A. J. (1993) Deadlne Monotonc Schedulng Theory and Applcaton Control Engneerng Practce, Vol.1, No.1, pages Audsley, N. C. (1994) Flexble Schedulng of Hard Real-Tme Systems Department of Computer Scence Thess, Unversty of York. Brown, R. (1988) Calendar queues: a fast 0(1) prorty queue mplementaton for the smulaton event set proble Communcatons of the ACM, Volume 31, Issue 10, October 1988, pages Burns, A., Tndell, K., Wellngs, A. (1995) Effectve Analyss for Engneerng Real-Tme Fxed-Prorty Schedulers IEEE Trans. on Soft. Eng., Vol. 21, pages Joseph, M., Pandya, P. (1989) Fndng Response Tmes n a Real-Tme System BCS Computer Journal, Vol 29, N o 5, pages Katcher, D., Arakawa, H., Strosnder, J. (1993) Engneerng and Analyss of Fxed-Prorty Schedulers IEEE Trans. on Soft. Eng., Vol. 19, pages Leung, J. Y. T., Whtehead, J. (1982) On the Complexty of Fxed-Prorty Schedulng of Perodc, Real-Tme Tasks Performance Evaluaton, 2 (4), pages Leyva-del-Foyo, L. E., Meja-Alvarez, P., Nz, D. de (2006) Predctable Interrupt Management for Real-Tme Kernels over Conventonal PC Hardware RTAS - IEEE Real-Tme and Embedded Technology and Applcatons Symposum, Calforna, Unted States. Mhatre, N. (2001) A Comparatve Performance Analyss of Real-Tme Prorty Queues Master Dssertaton, The Florda State Unversty. Olvera, R. S. de (2003) Aspectos Construtvos dos Sstemas Operaconas de Tempo Real WTR'2003-5o Workshop de Tempo Real. Natal - RN. Tndell, K. W. (1994) Fxed Prorty Schedulng of Hard Real-Tme Systems Department of Computer Scence Thess, Unversty of York. Tndell, K. W., Burns, A., Wellngs, A. J. (1994) An Extendble Approach for Analyzng Fxed Prorty Hard Real-Tme Tasks Real-Tme Systems, pages

Escalonamento Baseado em Prioridades Fixas

Escalonamento Baseado em Prioridades Fixas Sstemas de Tempo Real: Escalonamento Baseado em Prordades Fxas Rômulo Slva de Olvera Departamento de Automação e Sstemas - DAS UFSC romulo@das.ufsc.br http://.das.ufsc.br/~romulo 1 Escalonamento Baseado

Leia mais

Prioridades com Teste de Escalonabilidade

Prioridades com Teste de Escalonabilidade rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento

Leia mais

Cap 6: 4,5,8,9,10,11,12,15,16,21 fazer diagramas, usar análise por cálculo do tempo de resposta

Cap 6: 4,5,8,9,10,11,12,15,16,21 fazer diagramas, usar análise por cálculo do tempo de resposta QUESTÕES DO LIVRO Real-Tme Systems, Jane Lu Cap 6: 4,5,8,9,10,11,12,15,16,21 fazer dagramas, usar análse por cálculo do tempo de resposta Cap 8: 1,2,7 fazer dagramas Concetos Báscos e Técncas de Implementação

Leia mais

Sistemas de Tempo-Real

Sistemas de Tempo-Real Aula 7 Acesso exclusvo a rescursos partlhados O acesso exclusvo a recursos partlhados A nversão de prordades como consequênca do bloqueo Técncas báscas para acesso exclusvo a recursos partlhados Herança

Leia mais

Implemente uma solução para o problema da barreira usando mutexes e variáveis condição da biblioteca das pthreads. A solução consiste de 2 rotinas:

Implemente uma solução para o problema da barreira usando mutexes e variáveis condição da biblioteca das pthreads. A solução consiste de 2 rotinas: 1) Em um sstema que suporta programação concorrente apenas através da troca de mensagens, será crado um Servdor para controlar o uso das portas seras. Quando um processo Clente deseja usar uma porta seral,

Leia mais

Sistemas de Tempo-Real

Sistemas de Tempo-Real Sstemas de Tempo-Real Notas de curso realzado em Agosto de 2006 na Unversdade Federal do Ro Grande do Norte, Natal, Brasl 2. Escalonamento de Tempo-Real (parte 1) Francsco Vasques Faculdade de Engenhara

Leia mais

Alocação sequencial - filas

Alocação sequencial - filas Alocação sequencal - las Flas A estrutura de dados Fla também é bastante ntutva. A analoga é com uma la de pessoas aguardando para serem atenddas no guchê de um banco, ou aguardando o ônbus. Se houver

Leia mais

O Escalonamento de Tempo Real

O Escalonamento de Tempo Real apítulo 2 O Escalonamento de Tempo Real Em sstemas de tempo real que seguem a abordagem assíncrona os aspectos de mplementação estão presentes mesmo na fase de proeto. Na mplementação de restrções temporas,

Leia mais

Mecanismos de Escalonamento

Mecanismos 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 mais

3 Algoritmos propostos

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 mais

7 - Distribuição de Freqüências

7 - 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 mais

Escalonamento com Garantia

Escalonamento com Garantia Escalonamento com Garanta Executvo íclco Sstemas de Tempo Real: Escalonamento com Garanta Rômulo Slva de Olvera Departamento de Automação e Sstemas - DAS UFS rordades + Teste de Escalonabldade rordades

Leia mais

Guia 11 Escalonamento de Mensagens

Guia 11 Escalonamento de Mensagens Até esta altura, temos abordado prncpalmente questões relaconadas com escalonamento de tarefas a serem executadas num únco processador. No entanto, é necessáro consderar o caso de sstemas tempo-real dstrbuídos,

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 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 mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 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 mais

3 Elementos de modelagem para o problema de controle de potência

3 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 mais

4 Critérios para Avaliação dos Cenários

4 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 mais

3 A técnica de computação intensiva Bootstrap

3 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 mais

2 Metodologia de Medição de Riscos para Projetos

2 Metodologia de Medição de Riscos para Projetos 2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem

Leia mais

Introdução aos Problemas de Roteirização e Programação de Veículos

Introdução 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 mais

2 Lógica Fuzzy Introdução

2 Lógica Fuzzy Introdução 2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade

Leia mais

Laboratório de Mecânica Aplicada I Determinação de Centros de Gravidade

Laboratório de Mecânica Aplicada I Determinação de Centros de Gravidade Laboratóro de Mecânca Aplcada I Determnação de Centros de Gravdade Em mutos problemas de mecânca o efeto do peso dos corpos é representado por um únco vector, aplcado num ponto denomnado centro de gravdade.

Leia mais

Suporte Básico para Sistemas de Tempo Real

Suporte Básico para Sistemas de Tempo Real Suporte Básco para Sstemas de Tempo Real Escalonamento e Comuncação Sldes elaborados por George Lma, com atualzações realzadas por Ramundo Macêdo Suporte Básco para Sstemas de Tempo-Real Escalonamento

Leia mais

Psicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo

Psicologia 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 mais

Sistemas de Tempo-Real

Sistemas de Tempo-Real Sstemas de Tempo-Real Notas de curso realzado em Agosto de 006 na Unversdade Federal do Ro Grande do Norte, Natal, Brasl. Escalonamento de Tempo-Real (parte ) Francsco Vasques Faculdade de Engenhara da

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É 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 mais

EXERCÍCIO: VIA EXPRESSA CONTROLADA

EXERCÍCIO: 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 mais

4.1 Modelagem dos Resultados Considerando Sazonalização

4.1 Modelagem dos Resultados Considerando Sazonalização 30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,

Leia mais

Prof. Lorí Viali, Dr.

Prof. 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 mais

Diferença entre a classificação do PIB per capita e a classificação do IDH

Diferença entre a classificação do PIB per capita e a classificação do IDH Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE 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 mais

LISTA DE EXERCÍCIOS PARA P2 INCLUI PROVAS ATÉ 2007/2

LISTA DE EXERCÍCIOS PARA P2 INCLUI PROVAS ATÉ 2007/2 LISTA DE EXERCÍCIOS PARA P2 INCLUI PROVAS ATÉ 2007/2 GRAFO DE PRECEDÊNCIA 1) Desenhe o grafo de precedênca do códgo abaxo: man() [1] nt f1, f2, f3; /* Identfca processos flho*/ [2] prntf("alo do pa\n");

Leia mais

Aula Características dos sistemas de medição

Aula 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 mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Implementação Bayesiana

Implementação Bayesiana Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,

Leia mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação 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 mais

SÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS.

SÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS. I 1. Demonstre que o crcuto da Fg. 1 é um half-adder (semsomador), em que A e B são os bts que se pretendem somar, S é o bt soma e C out é o bt de transporte (carry out). Fg. 1 2. (Taub_5.4-1) O full-adder

Leia mais

Cálculo Numérico BCC760 Interpolação Polinomial

Cálculo Numérico BCC760 Interpolação Polinomial Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO

IMPLEMENTAÇÃO 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 mais

Extensões da Análise para Prioridades Fixas

Extensões da Análise para Prioridades Fixas Sstemas de Tempo eal: Extesões da Aálse para Prordades Fxas ômulo Slva de Olvera Departameto de Automação e Sstemas - DAS UFS elease Jtter loqueo Potos de Preempção Tolerâca a Faltas haveameto de otexto

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística 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 mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas Mestrado Integrado em Engenhara Cvl Dscplna: TRANSPORTES Prof. Responsável: José Manuel Vegas Sessão Prátca 7 (Tpo A): Dmensonamento de ntersecções semaforzadas smples Curso 2008/09 1/22 INTERSECÇÕES Introdução

Leia mais

UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR

UMA 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 mais

Modelagem do Transistor Bipolar

Modelagem do Transistor Bipolar AULA 10 Modelagem do Transstor Bpolar Prof. Rodrgo Rena Muñoz Rodrgo.munoz@ufabc.edu.br T1 2018 Conteúdo Modelagem do transstor Modelo r e Modelo híbrdo Confgurações emssor comum, base comum e coletor

Leia mais

ELE0317 Eletrônica Digital II

ELE0317 Eletrônica Digital II 2. ELEMENTOS DE MEMÓRIA 2.1. A Lnha de Retardo A lnha de retardo é o elemento mas smples de memóra. Sua capacdade de armazenamento é devda ao fato de que o snal leva um certo tempo fnto e não nulo para

Leia mais

Representação e Descrição de Regiões

Representação 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 mais

3 Subtração de Fundo Segmentação por Subtração de Fundo

3 Subtração de Fundo Segmentação por Subtração de Fundo 3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na

Leia mais

Curvas Horizontais e Verticais

Curvas Horizontais e Verticais Insttução: Faculdade de Tecnologa e Cêncas Professor: Dego Queroz de Sousa Dscplna: Topografa Curvas Horzontas e ertcas 1. Introdução Exstem dversas ocasões na engenhara em que os projetos são desenvolvs

Leia mais

6 Modelo Proposto Introdução

6 Modelo Proposto Introdução 6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos 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 mais

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão. Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande

Leia mais

Experiência V (aulas 08 e 09) Curvas características

Experiência V (aulas 08 e 09) Curvas características Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de

Leia mais

Palavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.

Palavras-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 mais

D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS

D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,

Leia mais

8 - Medidas Descritivas

8 - 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 mais

ANÁLISE DA VARIÂNCIA DA REGRESSÃO

ANÁLISE DA VARIÂNCIA DA REGRESSÃO ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. 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 mais

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2) Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,

Leia mais

DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA

DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade

Leia mais

7 Tratamento dos Dados

7 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 mais

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva

Teoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;

Leia mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.

Universidade 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 mais

3 Definição automática de carregamento ótimo

3 Definição automática de carregamento ótimo 3 Defnção automátca de carregamento ótmo A formulação ncal mostrada neste capítulo fo feta por Sérgo Álvares Maffra[11] e parte da mplementação fo feta por Anderson Perera, tendo sofrdo algumas modfcações

Leia mais

Métodos de Ordenação Parte 1

Métodos de Ordenação Parte 1 Métodos de Ordenação Parte 1 SCC-214 Proeto de Algortmos Prof. Thago A. S. Pardo Baseado no materal do Prof. Rudne Goularte O Problema da Ordenação Ordenação (ou classfcação) é largamente utlzada Lstas

Leia mais

Algoritmos de Codificação Simétricos

Algoritmos de Codificação Simétricos Algortmos de Codfcação Smétrcos Hugo Valente e Ivo Navega SSI TPC. A rede de estel consste numa cfra de bloco com uma estrutura específca, a qual permte trar vantagem do facto de puder ser usada quer para

Leia mais

Associação entre duas variáveis quantitativas

Associação 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 mais

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos. Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

2 Principio do Trabalho Virtual (PTV)

2 Principio do Trabalho Virtual (PTV) Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades

Leia mais

TRANSPORTES. Sessão Prática 11 Dimensionamento de Interseções Semaforizadas

TRANSPORTES. Sessão Prática 11 Dimensionamento de Interseções Semaforizadas Mestrado Integrado em Engenhara Cvl TRANSPORTES Prof. Responsável: Lus Pcado Santos Sessão Prátca 11 Dmensonamento de Interseções Semaforzadas Insttuto Superor Técnco / Mestrado Integrado Engenhara Cvl

Leia mais

3 Animação de fluidos com SPH

3 Animação de fluidos com SPH 3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)

Leia mais

EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI)

EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) Introdução Seja a segunte equação derencal: d ( ) ; d para. que é reerencado com o problema do valor ncal. Essa denomnação deve-se

Leia mais

Realimentação negativa em ampliadores

Realimentação negativa em ampliadores Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação

Leia mais

CAPITULO II - FORMULAÇAO MATEMATICA

CAPITULO II - FORMULAÇAO MATEMATICA CAPITULO II - FORMULAÇAO MATEMATICA II.1. HIPOTESES BASICAS A modelagem aqu empregada está baseado nas seguntes hpóteses smplfcadoras : - Regme permanente; - Ausênca de forças de campo; - Ausênca de trabalho

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro

Leia mais

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS

DIFERENCIANDO 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 mais

Aprendizagem de Máquina

Aprendizagem 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 mais

Flambagem. Cálculo da carga crítica via MDF

Flambagem. Cálculo da carga crítica via MDF Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca

Leia mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa 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 mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

Métodos de Ordenação Parte 1

Métodos de Ordenação Parte 1 Métodos de Ordenação Parte 1 Introdução à Cênca da Computação II Prof. Dego Raphael Amanco Baseado no materal dos Profs. Rudne Goularte e Thago A. S. Pardo O Problema da Ordenação Ordenação (ou classfcação)

Leia mais

5 Validação dos Elementos

5 Validação dos Elementos 5 Valdação dos Elementos Para valdar os elementos fntos baseados nas Wavelets de Daubeches e nas Interpolets de Deslaurers-Dubuc, foram formulados dversos exemplos de análse lnear estátca, bem como o cálculo

Leia mais

PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON

PUCPR- 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 mais

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min) PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.

Leia mais

Estudo e Previsão da Demanda de Energia Elétrica. Parte II

Estudo e Previsão da Demanda de Energia Elétrica. Parte II Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo

Leia mais

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria

2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados

Leia mais

GARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS

GARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS GARANIA DE EXCELENE INERCAMBIALIDADE E REDUÇÃO DE CUSOS ARAVÉS DA ANÁLISE ESAÍSICA DE OLERÂNCIAS Edvaldo Antono Bulba* *Prof. Dr. da Fatec SP FEI e Unversdade São Judas E mal: bulba@fe.edu.br Resumo Numa

Leia mais

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1 Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A

Leia mais

3 Método Numérico. 3.1 Discretização da Equação Diferencial

3 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 mais

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

Tópicos Especiais de Álgebra Linear Tema # 1: Aprendendo a trabalhar com o Derive. Introdução ao Derive

Tópicos Especiais de Álgebra Linear Tema # 1: Aprendendo a trabalhar com o Derive. Introdução ao Derive Tópcos Especas de Álgebra Lnear Tema # : Aprendendo a trabalhar com o Derve Assunto: Introdução ao Derve. Ambente Algébrco e Gráfco. Comandos da Álgebra de Matrzes. Determnantes, Inversa de uma Matrz.

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais