ALGORITMOS EVOLUTIVOS HÍBRIDOS APLICADOS À SOLUÇÃO DO PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO
|
|
- Alice di Azevedo Festas
- 7 Há anos
- Visualizações:
Transcrição
1 ALGORITMOS EVOLUTIVOS HÍBRIDOS APLICADOS À SOLUÇÃO DO PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO MARIANA SILVA FALEIRO DE ANDRADE, SÉRGIO RICARDO DE SOUZA, ELIAS CARLOS CORRÊA TEMPONI Programa de Mestrado em Modelagem Matemática e Computacional Centro Federal de Educação Tecnológica de Minas Gerais Av. Amazonas, 7675, , Belo Horizonte, MG, Brasil marifaleiro@yahoo.com.br, sergio@dppg.cefetmg.br, elias.temponi@gmail.com MARCONE JAMÍLSON FREITAS SOUZA Departamento de Computação, Universidade Federal de Ouro Preto Campus Universitário Ouro Preto MG Brasil marcone@iceb.ufop.br Abstract This paper deals with the guilhotined Open Dimensional Problem (ODP). Given a set of rectangular small items and a rectangular large object of fixed width and variable length, the problem consists of placing all the items within the large object, such that the overall length of the layout is minimised. Two versions of an Hybrid Evolutionary Algorithm are proposed to solve the problem. In the algorithms, we use the Multi-Start and Iterated local Search metaheuristics, to improve the quality of inicial population, as well the approximate algorithm and, and a local search operator to solve it. Computational experiments realized with instances from the literature show that the proposed algorithm is able to reach the optimal solution in all of the small and medium instances (16 to 49 items) and yield small gaps in instances with 73 to 197 items. Keywords Open Dimensional Problem, Evolutionary Algorithms. Resumo Este trabalho trata do problema de corte com dimensão aberta guilhotinado. Dado um conjunto de peças menores (itens) e uma peça maior (objeto) com largura fixa e altura variável, o problema consiste em alocar todos os itens no objeto, de maneira que a altura utilizada seja minimizada. Propõe-se, para sua resolução, duas versões de um Algoritmo Evolutivo Híbrido (AEH). O que diferencia as versões é a utilização, na geração da população inicial do algoritmo evolutivo, das metaheurísticas Multi-Start e Iterated Local Search (ILS). Além disso, são utilizados e comparados os algoritmos aproximados e Best- Fit para o encaixe dos itens. Também foram incorporados ao AEH, em diferentes etapas, operadores de busca local. Experimentos computacionais realizados sobre um conjunto de problemas-teste da literatura indicam que o algoritmo proposto alcança o valor ótimo na maioria dos problemas de pequenas e médias dimensões (16 a 49 itens) e, em problemas de dimensões maiores (73 a 197 itens), obtém desvios baixos em relação à solução encontrada por um método exato. Palavras-chave Problema de corte bidimensional, Algoritmos Evolutivos. 1. Introdução Em diversas atividades industriais é necessário cortar peças menores (itens), a partir de peças maiores (objetos). Nessa atividade, o objetivo é atender a demanda de itens, de maneira a minimizar os custos do processo. A variedade de situações práticas envolvendo este atividade e a necessidade de otimizá-la fizeram surgir uma classe de problemas de otimização combinatória, denominada Problemas de Corte e Empacotamento (PCE). Os PCE consistem em determinar o melhor arranjo de um conjunto de itens sobre um objeto, que precisa ser cortado ou empacotado. O melhor arranjo se refere àquele que melhor atende ao objetivo em questão (minimizar o desperdício, por exemplo). Dentre os PCE, encontra-se o problema de corte com dimensão aberta (ODP Open Dimensional Problem) (WÄSCHER et al., 2006). Como o próprio nome sugere, trata-se de um problema que possui dimensões variáveis, sendo, portanto, definido para duas ou mais dimensões. Este problema, usualmente, trata de um único objeto. Este trabalho trata, especificamente, do ODP bidimensional (ODP-2D). O problema consiste em determinar o arranjo de um conjunto de itens retangulares sobre um objeto que possui largura (W) fixa e altura (H) variável, tendo como objetivo minimizar a altura utilizada do objeto. Esse problema ocorre em fábricas que realizam o corte de bobinas ou rolos, como, por exemplo, as fábricas de papel, aço e tecidos. Por se tratar de um problema de corte bidimensional, são acrescidas outras classificações, devidas às restrições impostas pelos equipamentos e pelo processo de corte. Uma dessas restrições é com relação ao tipo de corte, que pode ser guilhotinado quando o corte se estende de um lado ao outro do
2 objeto, produzindo, a cada corte, dois retângulos ou não-guilhotinado, se o corte acompanhar o contorno do item, sem descaracterizar o objeto. O problema também pode considerar ou não rotação ortogonal dos itens. Além disso, pode haver limitação no número de estágios de corte. Cada estágio indica uma mudança na direção do corte. No caso de ocorrer apenas uma mudança na direção, tem-se um corte do tipo 2-estágios. Vários autores já mostraram que o ODP é um problema NP-Difícil (HOCHBAUM, 1985; LEUNG et al., 1990), fato que justifica a utilização de métodos heurísticos para solucioná-lo. Neste trabalho, para a resolução do ODP-2D, fez-se o uso de uma combinação das metaheurísticas Algoritmo Genético (AG) e Multi-Start e AG e ILS. Tal escolha se baseou no sucesso alcançado por algoritmos híbridos na solução de problemas altamente combinatórios. Na resolução do ODP-2D ainda são utilizados e comparados os algoritmos aproximados e, usados como sub-rotinas do algoritmo proposto. Para validar resultados obtidos com o método heurístico proposto, utilizou-se o modelo de programação linear inteira (PLI) proposto por Lodi et al. (2004). Os resultados obtidos pelo algoritmo proposto são comparados com aqueles obtidos pela aplicação do otimizador CPLEX, versão 11.0, ao modelo de PLI. Este trabalho está organizado como segue. Na seção 2 são descritas as características do problema estudado, enquanto na seção 3 é apresentado o modelo de programação linear inteira para representar o mesmo. Na seção 4 são apresentadas as técnicas de encaixe utilizadas no trabalho, enquanto na seção 5 é desenvolvida a metodologia heurística de resolução do ODP-2D. Na seção 6 são apresentados e discutidos os resultados computacionais. A seção 7 conclui o trabalho. 2. Descrição do Problema Estudado O ODP-2D estudado neste trabalho possui as seguintes características: os itens são alocados ortogonalmente nos objetos; os itens têm orientação fixa; o corte é do tipo guilhotinado e feito em 2-estágios. Assim sendo, o ODP-2D pode ser descrito como segue. Seja S um objeto de largura W e altura grande o suficiente para alocar todos os itens ( altura infinita ) e uma lista de itens retangulares I = {r 1,..., r n }, onde cada item r i = (w i, h i ), tal que w i W, para i = 1,...,n, sendo w i a largura e h i a altura dos itens. O objetivo é cortar os itens de I em S com a menor altura possível. 3. Formulação Matemática A formulação apresentada a seguir para o ODP-2D foi proposta por Lodi et al. (2004), que assumiu as seguintes proposições para uma dada solução: a) O primeiro item alocado em cada faixa (mais à esquerda) é o de maior altura; b) A primeira faixa do objeto (mais baixa) é a mais alta; c) Os itens estão ordenados de forma decrescente em relação à altura, ou seja, h 1 h 2... h n. Como conseqüência de (c), tem-se que a altura de cada faixa corresponde à altura h i do item i que a inicializa (primeiro item alocado). Assim, sendo n o número de faixas formadas para alocar todos os itens demandados, pode-se definir a seguinte variável de decisão: y i 1 se o item i inicializa a faixa i (para i = 1,..., n) = 0 caso contrário Deve-se ressaltar ainda, que, devido às observações (a) e (c), somente os itens j, tal que j > i, podem ser alocados na faixa. Essa condição se deve ao fato de que, se um dado item j, tal que j = i, inicializa a faixa i, ele não pode ser atribuído novamente a essa faixa. Assim sendo, é definida a seguinte variável binária: x ij Min 1 se o item j está alocadona faixa i (para i = 1,..., n 1); j > i = 0 caso contrário n i= 1 h i. y i (3.1) j 1 s. a: x ij + y j = 1 j = 1,...,n; (3.2) i= 1 n j j= i+ 1 w x ( W w ) y ij x ij {0,1} y i {0,1} i i i = 1,...,(n 1); (3.3) i = 1,...,(n -1); j > i i = 1,...,n; (3.4) A função objetivo, representada pela equação (3.1), tem, como critério de otimização, a minimização da altura utilizada do objeto. As restrições (3.2) garantem que cada item é alocado apenas uma vez, ou seja, ou o item inicializa a faixa ou está numa faixa inicializada por outro item. As restrições (3.3) garantem que, em cada faixa, a largura do objeto não será ultrapassada. As restrições (3.4) definem o tipo das variáveis do problema. Para a resolução desta formulação matemática, fez-se uso do software CPLEX, versão 11.0, com o objetivo de encontrar a solução ótima para o ODP- 2D. Observa-se, entretanto, pela natureza combinatória do problema abordado, que tal método só consegue resolver, em tempos computacionais aceitáveis, problemas de pequenas e médias dimensões.
3 4. Técnicas de Encaixe Neste trabalho, a solução do problema é representada por uma seqüência de itens, que devem ser encaixados segundo essa ordem, sendo essa solução avaliada pela altura encontrada para essa disposição. Então, para o encaixe dos itens, foram utilizados e comparados, os algoritmos e Best Fit. Nos dois algoritmos, a primeira faixa se forma com a inserção dos itens na ordem em que aparecem na solução, a partir do canto inferior esquerdo do objeto, até que a largura do objeto se torne insuficiente. No, antes dos próximos itens serem inseridos, são pesquisadas as larguras disponíveis de cada faixa já formada, para avaliar a possibilidade de inseri-los. Caso não seja possível, é formada uma nova faixa. Assim, os itens são alocados na primeira faixa em que couberem, sem ultrapassar a largura W do objeto. No, antes de o próximo item ser inserido, são verificadas as áreas restantes de cada faixa já formada, sendo o item inserido naquela onde o espaço for mais bem utilizado, ou seja, onde a área restante após sua inserção seja menor. Se não for possível encaixá-lo, é formada uma nova faixa 5. Algoritmo Evolutivo aplicado ao ODP guilhotinado Os Algoritmos Genéticos (AG), apesar se seu sucesso na resolução de diversos problemas de otimização, em sua forma original não apresenta um desempenho satisfatório para muitos outros problemas. Em razão disto, diversos pesquisadores têm proposto modificações nos AG convencionais, incorporando a estes técnicas de busca local, ou incluindo conceitos de outras metaheurísticas. Assim foram geradas as versões conhecidas como Algoritmos Meméticos (MOSCATO, 1989), ou, simplesmente, Algoritmos Evolutivos (AE s). Os AE s têm as características básicas dos AG s, além de contarem com mecanismos adicionais de forma a torná-los mais especializado para determinadas aplicações. Neste trabalho, com o intuito de comparar o desempenho de duas metaheurísticas de uso bastante difundido, propõe-se o desenvolvimento de duas versões de um Algoritmo Evolutivo Híbrido (AEH): 1. AEH-ILS: a população inicial é gerada por meio da metaheurística Iterated Local Search (ILS). 2. AEH-MS: a população inicial é gerada por meio da metaheurística Multi-Start (MS). Além disso, o AEH apresenta as seguintes peculiaridades em relação a um AG tradicional: Em vez do operador de cruzamento (crossover) tradicional, utilizou-se o operador Order Crossover (OX). Um operador de busca local é aplicado nos melhores indivíduos da população a cada geração. A seguir são descritas as etapas do algoritmo evolutivo proposto. 5.1 Representação de uma solução Neste problema, um cromossomo representa a seqüência em que os itens serão inseridos no objeto, ou seja, é um vetor de n valores inteiros, sendo n o número de itens da solução. 5.2 Operadores genéticos Operadores do Tipo Crossover Neste trabalho, como os itens têm demanda unitária, não pode ocorrer repetição de um determinado item num mesmo indivíduo. Por isso, para realizar o cruzamento (crossover), foi utilizado o operador Order Crossover (OX), aplicado com uma dada probabilidade. Operadores do Tipo Mutação Os quatros operadores de mutação propostos basicamente executam uma permutação entre os itens de uma solução. São eles: - Operador troca: consiste em trocar a posição de dois itens, escolhidos aleatoriamente. - Operador realoca: consiste em realocar um item da posição i para a posição j, sendo i e j escolhidos aleatoriamente. - Operador realoca grupo: consiste em realocar um grupo composto por x itens que ocupam posições seqüenciais dentro do vetor solução. Assim, um grupo de itens cuja primeira posição é j, é realocado para uma nova posição k, com a condição de que k j e k n x, sendo n o número de itens da solução. O tamanho (x) deste grupo de itens, obtido experimentalmente, varia entre 2 e 6 itens. A nova posição k do primeiro item do grupo é escolhida de forma aleatória. - Operador troca altura: consiste em realocar um item, escolhido aleatoriamente, que ocupa a posição j do vetor de solução, para uma nova posição k, escolhida da seguinte maneira: inicialmente, calcula-se o módulo da diferença (dif) entre as alturas (h) do item da posição j e do item da posição j + 1, ou seja dif = h j h j+1. Em seguida, é pesquisada uma posição k tal que h j h k < dif. Para evitar uma busca exaustiva pela posição k, são executados 0,1n pesquisas pela posição k, onde n representa o número de itens da solução. Se não for encontrada uma posição k tal que h j h k < dif, o item não será realocado. 5.3 Função de custo e função de aptidão dos indivíduos A solução é avaliada pela própria função objetivo, dada pela expressão (3.1) do modelo de PLI. Devido à utilização do mecanismo da roleta para selecionar os indivíduos da próxima geração, não foi possível usar a função de custo como função de aptidão, pois este trabalho trata de um problema de minimização. Assim, para obter o valor da função de aptidão a
4 partir da função objetivo, foi utilizado um método de escalamento linear, que utiliza uma função linear para essa conversão. 5.5 Seleção dos indivíduos para a próxima geração Um mecanismo de seleção para as próximas gerações, muito utilizado em AG clássicos, é o chamado roulette wheel, ou roleta (HOLLAND, 1975). Para não perder indivíduos promissores com o uso dessa técnica, utiliza-se uma estratégia de elitismo, que consiste em manter sempre os dois melhores indivíduos da geração atual na geração seguinte. 5.6 Geração da população inicial Neste trabalho, a primeira versão do AEH utiliza a metaheurítica Multi-Start (MS), proposta em 1973 por Lin e Kernighan. O MS é um procedimento iterativo, composto por duas fases. Neste trabalho, na primeira fase se constrói uma solução aleatoriamente. Na segunda fase, é aplicado o método de busca local conhecido como Método Randômico de Descida (MRD) sobre a solução obtida na construção. O procedimento é executado por MS_max iterações sem melhora, e retorna a melhor das soluções refinadas. Na segunda versão do AEH, a população inicial é gerada pela metaheurística Iterated Local Search (ILS). Neste trabalho, o ILS inicia-se com a geração de uma solução aleatória, que em seguida sofre uma busca local (MRD). Em seguida, é aplicada uma perturbação nessa solução. Tais perturbações são divididas em níveis. Em cada nível, são escolhidos aleatoriamente e aplicados à solução os movimentos descritos como operadores de mutação, na seção 5.2, por ILS_max vezes sem melhora em um dado nível Após a perturbação, a solução passa por uma busca local (MRD), sendo avaliada em seguida. Se esta solução for pior que a anterior, o movimento é desfeito e o nível de perturbação cresce. Caso contrário, a solução encontrada passa a ser a solução corrente, e o nível de perturbação atual é aplicado. A solução corrente é a melhor solução encontrada até então. O MRD utilizado acima, no MS e no ILS, utiliza os movimentos descritos na seção 5.2 (o método é interrompido após um número fixo de iterações sem melhora no valor da melhor solução obtida até então, neste trabalho dado pelo valor MRD_max). 6. Experimentos Computacionais As duas versões do Algoritmo Evolutivo Híbrido proposto (AEH) foram implementadas na linguagem C, e compilado em C++ Builder 5.0; enquanto a formulação de programação matemática do ODP apresentada na Seção 3 foi resolvida no otimizador CPLEX, versão 11. Os testes computacionais foram feitos em dois ambientes computacionais diferentes: as duas versões do AEH foram testadas em um PC AMD Atlon XP 64 Bits (aproximadamente 2.11 GHz), com 1 GB de memória RAM, sob plataforma Windows XP; enquanto o CPLEX foi usado em um PC Intel Core 2 Quad (Q6600) 2.40 GHz com 8 GB de RAM rodando Windows Vista Ultimate. Para avaliar os algoritmos de solução do ODP foram utilizados os problemas-teste de Hopper e Turton (2001), disponíveis na OR-Library (BEASLEY, 1990). Estes problemas-teste foram construídos de forma a não apresentarem perda quando solucionados de maneira não-guilhotinada e com a rotação dos itens permitida. Na Tabela 1 são apresentados o número de itens, a largura do objeto e a altura ótima para cada um dos 21 problemas. Tabela 1. Problemas-teste de Hopper e Turton (2001) Categoria Número de itens Largura Altura (n) do objeto ótima P 1 P 2 P 3 C C C C C C C A seguir, são apresentados os resultados obtidos, a partir dos dados dos problemas-teste, para o caso envolvendo o ODP guilhotinado, nos termos tratados no presente trabalho. São comparados os resultados obtidos pelo CPLEX, bem como do AEH proposto, em suas duas versões, cada uma utilizando uma das metaheurísticas: ILS e Multi-Start. Além disso, para cada uma das versões são comparados os algoritmos de encaixe ( e ). É importante ressaltar que estes resultados, na medida em que tratam do ODP guilhotinado, têm soluções com alturas maiores que as alturas ótimas encontradas segundo sua formulação original (ODP não-guilhotinado e rotação dos itens permitida). Cada problema-teste foi resolvido 10 vezes pelas duas versões do algoritmo heurístico proposto. Os parâmetros dos AEH s, obtidos experimentalmente, são apresentados na Tabela 2. A Tabela 3 apresenta os resultados do método exato. A primeira coluna apresenta o problema-teste e a segunda, os resultados obtidos pela resolução do modelo matemático apresentado na Seção 3, pelo software de otimização CPLEX, versão 11.0, limitado à uma hora de processamento. A terceira coluna apresenta o tempo gasto pelo método. Tabela 2. Parâmetros do AEH
5 Categoria do Problema-teste Parâmetros Valores C1,C2 4 C3 10 Nº de indivíduos C4 20 C5, C6, C7 50 C1,C2,C3 10 C4 Nº de gerações 50 C5, C6,C ,85 0, n Parâmetro α da função de escalamento linear Probabilidade de crossover (p c ) Probabilidade de mutação (p m ) Número máximo de iterações sem melhora do Multi-Start (MS_max ) Número máximo de iterações sem melhora do ILS (ILS_max) Número máximo de iterações sem melhora do MRD (MRD_max ) n: número de itens do problema-teste. Tabela 3. Resultados do Método Exato Solução Tempo médio (seg) Problemateste Problemateste Solução Tempo médio (seg) C1P1 27* 0,10 C5P C1P2 29* 0,12 C5P2 106* 27,25 C1P3 23* 0,05 C5P C2P1 20* 0,06 C6P C2P2 34* 0,18 C6P C2P3 23* 0,06 C6P C3P1 40* 0,12 C7P C3P2 42* 0,09 C7P C3P3 43* 0,13 C7P C4P1 74* 15,74 C4P2 74* 1,02 C4P3 80* 0,80 *Solução ótima. As tabelas 4 e 5 apresentam os resultados das duas versões do AEH (AEH-MS e AEH-ILS), para cada problema-teste. Ambas as tabelas mostram, na segunda e terceira colunas, os resultados médios obtidos com a utilização dos algoritmos e, respectivamente. A quarta e quinta colunas apresentam a melhor solução obtida em dez execuções do algoritmo. As duas últimas colunas apresentam o tempo de processamento de cada um dos métodos. O erro relativo (%gap), apresentado nas sexta e sétima colunas, é calculado pela expressão: gap = ((r médio - r melhor ) / r melhor ) 100 em que r médio é o resultado médio obtido pela aplicação do AEH e r melhor é o resultado obtido pelo otimizador CPLEX para cada problema-teste. Como pode ser observado pela Tabela 3, o CPLEX obteve a solução ótima para todos os problemas-teste com até 49 itens, e para um problema com 73 itens. Para o restante dos problemas, este otimizador não foi capaz de encontrar soluções ótimas em uma hora de execução. Quanto ao método AEH-MS, pode-se observar, pela Tabela 4, que o desvio da solução média produzida pelo método AEH-MS- chegou a 23,2% e para o método AEH-MS- não ultrapassou 12,7%. Tabela 4. Resultados do AEH-MS Problema-teste Solução média Melhor solução gap (%) da solução média Tempo Médio (s) C1P1 27* 27* 27* 27* 0,0% 0,0% 0,12 0,27 C1P2 29* 29* 29* 29* 0,0% 0,0% 0,11 0,27 C1P3 23* 23* 23* 23* 0,0% 0,0% 0,11 0,25 C2P1 20* 20* 20* 20* 0,0% 0,0% 0,11 0,27 C2P2 34* 34* 34* 34* 0,0% 0,0% 0,27 0,88 C2P3 23* 23* 23* 23* 0,0% 0,0% 0,11 0,28 C3P1 40* 40* 40* 40* 0,0% 0,0% 0,25 0,91 C3P2 42* 42* 42* 42* 0,0% 0,0% 0,29 1,04 C3P3 43* 43* 43* 43* 0,0% 0,0% 0,27 0,94 C4P * 74* 74* 4,1% 0,0% 3,56 31,58 C4P2 78, * 5,8% 1,4% 3,97 25,43 C4P , * 3,8% 0,4% 3,97 31,6 C5P1 106, ,4% 1,0% 15,64 113,52 C5P ,6 106* 106* 2,8% 0,6% 17,48 140,86 C5P3 113,5 107, ,1% 1,5% 16,28 139,36 C6P1 149, ,2% 2,9% 16,41 183,2 C6P2 154, ,8% 2,1% 16,87 189,73 C6P3 150,8 142, ,5% 2,6% 16,28 185,25 C7P1 324,1 296, ,2% 12,7% 36,15 528,27 C7P2 331,5 306, ,1% 8,3% 42,53 551,64 C7P3 342,2 309, ,9% 9,4% 36,2 539,2 *Solução ótima. Tabela 5. Resultados do AEH-ILS Problema-teste Solução média Melhor solução gap (%) da solução média Tempo Médio (s) C1P1 27* 27* 27* 27* 0,0% 0,0% 0,06 0,1 C1P2 29* 29* 29* 29* 0,0% 0,0% 0,06 0,1 C1P3 23* 23* 23* 23* 0,0% 0,0% 0,06 0,1 C2P1 20* 20* 20* 20* 0,0% 0,0% 0,09 0,3 C2P2 34* 34* 34* 34* 0,0% 0,0% 0,1 0,9 C2P3 23* 23* 23* 23* 0,0% 0,0% 0,03 0,2 C3P1 40* 40* 40* 40* 0,0% 0,0% 0,28 0,8 C3P2 42* 42* 42* 42* 0,0% 0,0% 0,3 1,04 C3P3 43* 43* 43* 43* 0,0% 0,0% 2,5 0,9 C4P1 78,5 74, * 6,1% 1,2% 2,8 12,9 C4P2 78,3 75, * 5,8% 1,5% 2,6 12,7 C4P3 84,6 80, * 5,7% 0,6% 3,1 11,8 C5P1 109,1 102, ,0% 1,5% 7,9 57,1 C5P2 112,5 106, * 6,1% 0,8% 8,9 56,9 C5P3 116,5 108, ,9% 2,6% 7,9 58,8 C6P1 150,9 139, ,0% 2,5% 26,5 288,1 C6P2 153,5 147, ,9% 1,6% 26,9 288,3 C6P3 149,9 142, ,8% 2,7% 26,1 312,3 C7P1 312,5 285, ,8% 8,7% 125,3 1825,1 C7P2 321,2 294, ,5% 4,2% 165,3 1912,3 C7P3 327,7 300, ,8% 6,1% 134,8 1930,5 * Solução ótima. Os tempos de processamento variaram, para o AEH- MS-, de 0,11 a 42,53 segundos e, para o AEH-MS-, de 0,25 a 551,3 segundos, em média. Observa-se também que os dois algoritmos heurísticos sempre alcançaram o resultado ótimo conhecido para os problemas-teste de 16 a 49 itens e para um problema com 73 itens. Além disso, comparando-se os tempos de processamento, nota-se que
6 para problemas com mais de 49 itens os tempos gastos pelos algoritmos propostos foram, geralmente, inferiores àqueles demandados pelo otimizador aplicado ao modelo de PLI. A tabela 5 mostra os resultados do método AEH-ILS. Pode-se observar que as duas versões do método encontraram o ótimo conhecido para todos os problemas com até 29 itens, sendo que o AEH- ILS- encontrou a solução ótima para todos os problemas com 49 itens e para um problema com 73 itens. Além disso, o desvio da solução média chegou a 18,8% no AEH-ILS-, e no método AEH- ILS- não ultrapassou 8,7%. 8. Conclusões O objetivo principal deste trabalho foi elaborar um Algoritmo Evolutivo Híbrido, em duas versões, utilizado as metaheurísticas Multi-Start e ILS, para a resolução do ODP-2D guilhotinado, além de comparar o desempenho de dois algoritmos aproximados ( e ) utilizados com sub-rotinas do método. Para tal, propôs-se incorporar a um Algoritmo Genético clássico as metaheurísticas Multi- Start e ILS, para a construção da população de indivíduos, produzindo assim as versões: AEH-MS e AEH-ILS. Também foi adicionado ao AG um operador de busca local, aplicado aos melhores indivíduos de cada geração. Nos experimentos computacionais realizados, verificou-se que a utilização de metaheurísticas na geração da população inicial leva a melhores resultados, quando comparados ao uso de uma população inicial gerada aleatoriamente, como geralmente é feito no AG. Em diversos outros problemas de natureza combinatorial, vêm sendo realizadas adaptações no AG clássico referentes ao procedimento de geração da população inicial. Foi observado que o trabalho computacional adicional exigido pela busca local pode ser compensado pela redução do número de indivíduos e do número de iterações do algoritmo. O algoritmo heurístico proposto foi aplicado nos problemas-teste de Hopper e Turton (2001), que tratam o ODP-2D de forma não-guilhotinada. Mostrouse nos experimentos que o AEH-MS e o AEH-ILS propostos alcançaram as soluções ótimas dos problemas com até 49 itens. Em um problema-teste com 73 itens, o AEH-MS, em suas duas versões ( e ) e o AEH-ILS- encontraram a solução ótima conhecida. Em termos de valor da função de avaliação, as versões do método que utilizaram o apresentaram, para problemas com mais de 49 itens, resultados bastante inferiores àqueles obtidos pelas versões com o. É demonstrada, assim, a superioridade do algoritmo aproximado em relação ao. O método AEH- ILS encontrou, em termos de função de avaliação, para problemas com mais de 49 itens, resultados razoavelmente melhores que os encontrados pelo AEH-MS. Isso mostra a eficiência do ILS para esse tipo de problema. O tempo de processamento das quatro versões do algoritmo, para problemas com mais de 49 itens, foi pequeno se comparado ao tempo gasto pelo método exato. Ressalta-se que a grande diferença observada entre os tempos médios das versões com o e o se deve ao modo como são encaixados os itens. O sempre pesquisa todas as faixas formadas antes de alocar um item, ao passo que o pesquisa as faixas somente até encontrar a primeira faixa onde é possível encaixar o item. O primeiro algoritmo exige, portanto, um esforço computacional maior. Os resultados obtidos e descritos acima mostram o potencial da técnica proposta e a possibilidade da utilização desta em situações práticas. Referências Beasley, J. E., OR-Library: distributing test problems by electronic mail. Journal of the Operational Research Society, v. 41, p , Hochbaum, D. S.; Wolfgang, M. Approximation schemes for covering and packing problems in image processing and VLSI. Journal of the Association for Computing Machinery, v. 32, p , Holland, J.H., Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor, Michigan, EUA, Hopper, E.; Turton, B.C.H. A Review of the Application of Meta-heuristic Algorithm to 2D Strip Packing Problems. Artificial Intelligence Review, v. 16, p , Leung, J.; Tam, T.; Wong, C.S.; Young, G.; Chin, F. Packing squares into square, Journal of Parallel and Distributed Computing, v.10, p , Lin, S.; Kernighan, B. W. An Effective Heuristic Algorithm for the Travelling-Salesman Problem. Operations Research, v. 21, p Lodi, A.; Martelo, S.; Vigo, D. Models and bounds for two-dimensional level packing problems. Journal of Combinatorial Optimization, v. 8, p , Moscato, P. On evolution, search, optimization, genetic algorithms and martial arts: towards memetic algorithms, Technical Report Caltech Concurrent Computation Program, Report 826, California Institute of Technology, Wäscher, G.; Hauβner, H; Schuann, H. An improved typology of cutting and packing problems, European Journal of Operations Research, v. 4, p , 2006.
UM ALGORITMO EVOLUTIVO HÍBRIDO APLICADO À SOLUÇÃO DO PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO
UM ALGORITMO EVOLUTIVO HÍBRIDO APLICADO À SOLUÇÃO DO PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO Mariana Silva Faleiro de Andrade, Sérgio Ricardo de Souza, Elias Carlos Corrêa Temponi Centro Federal de
Leia maisUM ALGORITMO EVOLUTIVO HÍBRIDO APLICADO À SOLUÇÃO DO PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO
UM ALGORITMO EVOLUTIVO HÍBRIDO APLICADO À SOLUÇÃO DO PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO Mariana Silva Faleiro de Andrade (CEFET-MG) marifaleiro@yahoo.com.br Sérgio Ricardo de Souza (CEFET-MG)
Leia maisOPEN DIMENSIONAL CUTTING PROBLEM: UMA ABORDAGEM HÍBRIDA VIA GRASP E ILS
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& OPEN DIMENSIONAL CUTTING PROBLEM: UMA ABORDAGEM
Leia maisUMA METAHEURÍSTICA HÍBRIDA GRASP-ILS APLICADA À SOLUÇÃO DO PROBLEMA DE CORTE BI-DIMENSIONAL GUILHOTINADO
UMA METAHEURÍSTICA HÍBRIDA GRASP-ILS APLICADA À SOLUÇÃO DO PROBLEMA DE CORTE BI-DIMENSIONAL GUILHOTINADO Elias Carlos Correa Temponi Centro Federal de Educação Tecnológica de Minas Gerais Av. Amazonas
Leia maisAlgoritmos Evolutivos Mono e Multiobjetivos para Problemas Bidimensionais de Corte
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS Diretoria de Pesquisa e Pós-Graduação Curso de Mestrado em Modelagem Matemática e Computacional Algoritmos Evolutivos Mono e Multiobjetivos para Problemas
Leia maiss:
METAHEURÍSTICA GRASP APLICADA AO PROBLEMA DE CORTE COM DIMENSÃO ABERTA GUILHOTINADO Dayanne Gouveia Coelho, Marcelus Xavier Oliveira, Elizabeth Fialho Wanner, Marcone Jamilson Freitas Souza, Sérgio Ricardo
Leia maisAnálise de formulações matemáticas para o problema de empacotamento em faixas bidimensional guilhotinado 2-estágios
Análise de formulações matemáticas para o problema de empacotamento em faixas bidimensional guilhotinado 2-estágios Vanessa Munhoz Reina Bezerra Instituto de Ciências Matemáticas e de Computação - USP
Leia maisPesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Leia maisUMA ABORDAGEM AO PROBLEMA DE SEQUENCIAMENTO EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO DA PRODUÇÃO POR MEIO DE ALGORITMOS EVOLUTIVOS
UMA ABORDAGEM AO PROBLEMA DE SEQUENCIAMENTO EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO DA PRODUÇÃO POR MEIO DE ALGORITMOS EVOLUTIVOS Renato da Silva Ramos Discente do curso de Ciência da Computação
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia maisXLVII SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL
META-HEURÍSTICA SIMULATED ANNEALING APLICADA AO PROBLEMA DE CORTE BIDIMENSIONAL NÃO-GUILHOTINADO Gelinton Pablo Mariano Mestrando em Informática - Universidade Federal do Espírito Santo Av. Fernando Ferrari,
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisFormulações de Programação Matemática para o Problema de Seqüenciamento em uma Máquina com Janelas de Entrega Distintas e Tempo de Preparação
Anais do CNMAC v.2 ISSN 1984-820X Formulações de Programação Matemática para o Problema de Seqüenciamento em uma Máquina com Janelas de Entrega Distintas e Tempo de Preparação Dependente da Seqüência de
Leia maisOtimização com Algoritmos Evolutivos
Otimização com Algoritmos Evolutivos Francisco Pereira (xico@dei.uc.pt) ELBCE 2016 (Setembro 2016) Resumo Problem Optimization Method Solution } Algoritmos Evolutivos } Propriedades e funcionamento } Exemplos
Leia maisRESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START Gustavo Marques Zeferino, Flaviana M. de S. Amorim, Marcone Jamilson Freitas Souza, Moacir F. de F. Filho
Leia maisAN APPLICATION MULTIOBJECTIVE FOR OPEN DIMENSIONAL PROBLEM GUILLOTINED
AN APPLICATION MULTIOBJECTIVE FOR OPEN DIMENSIONAL PROBLEM GUILLOTINED Dayanne Gouveia Coelho a, Marcelus Xavier Oliveira a, Elizabeth Fialho Wanner a, Sérgio Ricardo de Souza a, Marcone Jamilson Freitas
Leia maisUm AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições Jarbas Silva Abstract Neste
Leia maisAngelo Aliano Filho 1 e Antônio Carlos Moretti 2 Universidade Estadual de Campinas - IMECC 1
UM ALGORITMO MEMÉTICO NO PROBLEMA DO CORTE UNIDIMENSIONAL INTEIRO Angelo Aliano Filho 1 e Antônio Carlos Moretti 2 Universidade Estadual de Campinas - IMECC E-mail: 1 angeloaliano@hotmail.com 2 moretti@ime.unicamp.br
Leia maisMETA-HEURÍSTICA GRASP APLICADA AO PROBLEMA DO CORTE BIDIMENSIONAL NÃO-GUILHOTINADO
META-HEURÍSTICA GRASP APLICADA AO PROBLEMA DO CORTE BIDIMENSIONAL NÃO-GUILHOTINADO Thiago Nascimento Rodrigues Universidade Federal do Espírito Santo Av. Fernando Ferrari, 541, 29075-910, Vitória, ES,
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisUm algoritmo genético híbrido para o problema de corte industrial bidimensional
Um algoritmo genético híbrido para o problema de corte industrial bidimensional Ademir Aparecido Constantino* e Augusto Mendes Gomes Junior Departamento de Informática, Universidade Estadual de Maringá,
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisCOMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
Leia maisAprimorando o Corte Peças com Forma Irregular em Chapas Retangulares
Aprimorando o Corte Peças com Forma Irregular em Chapas Retangulares Leandro Resende Mundim, leandroresendemundim@gmail.com Thiago Alves de Queiroz, th.al.qz@catalao.ufg.br Resumo: Esta pesquisa lida com
Leia maisAlgoritmo Evolutivo para o Problema de Corte de Estoque Unidimensional com Redução do Número de Padrões de Corte
Algoritmo Evolutivo para o Problema de Corte de Estoque Unidimensional com Redução do Número de Padrões de Corte Henrique A. Kobersztajn 1, Kelly C. Poldi 2, Instituto de Ciência e Tecnologia, Unifesp
Leia maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia maisINVESTIGANDO O PROBLEMA DA MOCHILA IRRESTRITA EM SUA VERSÃO BIDIMENSIONAL
INVESTIGANDO O PROBLEMA DA MOCHILA IRRESTRITA EM SUA VERSÃO BIDIMENSIONAL Mirella Augusta Sousa Moura, mirella.asm14@hotmail.com Thiago Alves de Queiroz, th.al.qz@catalão.ufg.br Resumo: Empacotamento consiste
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisMarcone Jamilson Freitas Souza
Otimização: Algumas aplicações Marcone Jamilson Freitas Souza Departamento de Computação Programa de Pós-Graduação em Ciência da Computação Universidade Federal de Ouro Preto http://www.decom.ufop.br/prof/marcone
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS. Metaheurísticas de Buscas
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS Metaheurísticas de Buscas ALGORITMOS GENÉTICOS (AG) Popularizados por John Holland podem ser considerados os primeiros modelos algorítmicos
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Leia maisUm algoritmo genético para o problema de corte unidimensional inteiro
Um algoritmo genético para o problema de corte unidimensional inteiro Adriano Heis CEFETSC-Centro Federal de Educação e Tecnologia de Santa Catarina Unidade São José Rua José Lino Kretzer, 608, Praia Comprida,
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia maisELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO
ELABORAÇÃO DE UMA HEURÍSTICA PARA O PROBLEMA DE QUADRO DE HORÁRIOS DOS PROFESSORES DA UNIVERSIDADE ESTADUAL DO PARANÁ CAMPUS CAMPO MOURÃO Marcos Oliveira dos Santos (IC, FUNDAÇÃO ARAUCÁRIA), (UNESPAR/FECILCAM),
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisMÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS
MÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS Rômulo Louzada Rabello Universidade Federal do Espírito Santo Alegre, ES, 29500-00, Brasil
Leia maisTÍTULO DO PROJETO: O problema de empacotamento de figuras usando suas equações. Área do Conhecimento (Tabela do CNPq):
INSTITUCIONAL/IFSP PROJETO DE PESQUISA TÍTULO DO PROJETO: O problema de empacotamento de figuras usando suas equações Área do Conhecimento (Tabela do CNPq): 3. 0 8. 0 2. 0 2-4 1. RESUMO O problema de empacotamento
Leia maisHEURÍSTICAS PARA O PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO E RESTRITO DE TECIDO
5, 6 e 7 de Agosto de 2010 ISSN 1984-9354 HEURÍSTICAS PARA O PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO E RESTRITO DE TECIDO Antônio Carlos Torres Teixeira (Universidade Candido Mendes) acarlostt@uol.com.br
Leia maisUm Estudo Empírico de Hiper-Heurísticas
Flávio Soares Corrêa da Silva (Orientador) Instituto de Matemática e Estatística Universidade de São Paulo Julho de 2007 Definição de Hiper-Heurística Para Que Servem Dois Exemplos Definição Uma hiper-heurística
Leia maisUM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO
UM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO Bruno Mota Avelar Almeida, Túlio Ângelo Machado Toffolo, Marcone Jamilson Freitas Souza
Leia mais3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
Leia maisUM ALGORITMO HÍRIDO PARA A GERAÇÃO DE PADRÕES DE CORTE BIDIMENSIONAIS GUILHOTINADOS
UM ALGORITMO HÍRIDO PARA A GERAÇÃO DE PADRÕES DE CORTE BIDIMENSIONAIS GUILHOTINADOS Lilian Caroline Xavier Candido Programa de Pós-Graduação em Métodos Numéricos em Engenharia Universidade Federal do Paraná
Leia maisBCC204 - Teoria dos Grafos
BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal
Leia maisUM ALGORITMO HEURÍSTICO HÍBRIDO PARA O PLANEJAMENTO OPERACIONAL DE LAVRA
Anais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 c Sociedade Brasileira de Redes Neurais UM ALGORITMO HEURÍSTICO HÍBRIDO PARA
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisMax Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
Leia maisAplicação de p-medianas ao Problema do Corte Guilhotinado Bi-Dimensional para Peças Regulares
Aplicação de p-medianas ao Problema do Corte Guilhotinado Bi-Dimensional para Peças Regulares Gilberto Irajá Müller 1, Arthur Tórgo Gómez 1 1 Universidade do Vale do Rio dos Sinos UNISINOS PIPCA - Programa
Leia maisSIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS
SIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS Bernardo De Polli Cellin Mestrando em Informática - Universidade Federal do Espírito Santo Av. Fernando Ferrari, Nº 514, CEP:
Leia maisBuscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Leia mais6 Experimentos realizados
6 Experimentos realizados 6.1 Considerações iniciais Resolvemos os modelos de PLIM utilizando o resolvedor CPLEX, baseado no método de branch-and-bound. Resolvemos as relaxações lineares dos mesmos modelos
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisPROPOSAL OF AN EVOLUTIONARY COMPUTATION BASED SYSTEM FOR HANDLING THE SPACE ALLOCATION PROBLEM: THE CASE OF UNIVERSIDADE FEDERAL DE UBERLÂNDIA
PROPOSTA DE UM SISTEMA BASEADO EM COMPUTAÇÃO EVOLUTIVA PARA O TRATAMENTO DO PROBLEMA DE ALOCAÇÃO DE ESPAÇO FÍSICO: O CASO DA UNIVERSIDADE FEDERAL DE UBERLÂNDIA Guilherme Palhares Theodoro, Igor Santos
Leia maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
Leia maisComputação Bioinspirada PROF. PAULO SALGADO
Computação Bioinspirada AULA 1 APRESENTAÇÃO DA DISCIPLINA PROF. PAULO SALGADO Aula de hoje Falar sobre Objetivos Ementa Avaliação Roteiro Proposto (Cronograma) Referências Periódicos da Área Objetivos
Leia maisUM ESTUDO COMPARATIVO DE DESEMPENHO UTILIZANDO PROGRAMAÇÃO SEQUENCIAL VS PARALELA APLICADO EM ALGORITMOS GENÉTICOS 1
UM ESTUDO COMPARATIVO DE DESEMPENHO UTILIZANDO PROGRAMAÇÃO SEQUENCIAL VS PARALELA APLICADO EM ALGORITMOS GENÉTICOS 1 Eldair F. Dornelles 2, Henrique A. Richter 3, Miquéias F. M. Trennepohl 4, Taís T. Siqueira
Leia maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maisAlgoritmo Genético: um experimento comparativo entre a execução paralela com troca de indivíduos de populações e a não paralela.
Algoritmo Genético: um experimento comparativo entre a execução paralela com troca de indivíduos de populações e a não paralela. Marlos A. S. Lima 1, Davi Magalhães 2, F. C. de Lima Júnior 3, Rommel W.
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS
ESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS Marcelo Henrique dos Santos Universidade de Uberaba, Engenharia
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia mais3 Algoritmos Genéticos
Algoritmos Genéticos Algoritmos Genéticos (AGs) constituem um mecanismo de busca adaptativa que se baseia no princípio Darwiniano de seleção natural e reprodução genética [101]. AGs são tipicamente empregados
Leia maisDESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
Leia mais4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisOptimização de um Plano de Marketing Directo para o Sector da Banca Daniel Barata
Optimização de um Plano de Marketing Directo para o Sector da Banca Daniel Barata, Fernando Bação, Victor Lobo Agenda Introdução Justificação do Tema Formulação usada Métodos de Resolução Exacto Guloso
Leia maisOTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
Leia maisALGORITMOS HEURÍSTICOS UTILIZANDO BUSCA LOCAL ALEATÓRIA EM VIZINHANÇA VARIÁVEL PARA O PROBLEMA DO CAIXEIRO VIAJANTE COM GRUPAMENTOS
ALGORITMOS HEURÍSTICOS UTILIZANDO BUSCA LOCAL ALEATÓRIA EM VIZINHANÇA VARIÁVEL PARA O PROBLEMA DO CAIXEIRO VIAJANTE COM GRUPAMENTOS Mario Mestria (IFES ) mmestria@uol.com.br Nesse trabalho são propostos
Leia maisAlgoritmos genéticos Abordagem unificada de algoritmos evolutivos simples
Introdução Inspiração biológica Histórico da computação evolutiva Algoritmo evolutivo simples Programação evolutiva Estratégias evolutivas Algoritmos genéticos Abordagem unificada de algoritmos evolutivos
Leia maisUMA INTRODUÇÃO AOS ALGORITMOS GENETICOS
UMA INTRODUÇÃO AOS ALGORITMOS GENETICOS Uma visão geral dos GAs Um algoritmo genético é uma classe de algoritmo de busca. O algoritmo procura uma solução dentro de um espaço para um problema de otimização.
Leia maisMETA-HEURÍSTICA SIMULATED ANNEALING APLICADA AO PROBLEMA DO ROTEAMENTO DE VEÍCULOS CAPACITADOS COM RESTRIÇÕES DE CARREGAMENTO BIDIMENSIONAL
META-HEURÍSTICA SIMULATED ANNEALING APLICADA AO PROBLEMA DO ROTEAMENTO DE VEÍCULOS CAPACITADOS COM RESTRIÇÕES DE CARREGAMENTO BIDIMENSIONAL Andre Renato Sales Amaral (UFES) andre.r.s.amaral@gmail.com Roger
Leia maisUm Estudo Empírico de Métodos Hiper-Heurísticos
Um Estudo Empírico de Métodos Hiper-Heurísticos Igor Ribeiro Sucupira (Aluno de Mestrado) Flávio Soares Corrêa da Silva (Orientador) Departamento de Ciência da Computação Instituto de Matemática e Estatística
Leia maisRedução de Ciclos da Serra no Problema de Corte de Estoque Bidimensional na Indústria de Móveis
Redução de Ciclos da Serra no Problema de Corte de Estoque Bidimensional na Indústria de Móveis Gabriela P. Mosquera, Socorro Rangel, Depto de Ciências de Computação e Estatística, IBILCE, UNESP, 15054-000,
Leia maisBreve Avaliação de Parâmetros básicos de Algoritmos Genéticos
https://eventos.utfpr.edu.br//sicite/sicite17/index Breve Avaliação de Parâmetros básicos de Algoritmos Genéticos RESUMO Stéfanie Caroline Pereira Dekker stefanie.c.dekker@gmail.com Universidade Tecnológica
Leia maisEstratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisBusca Guiada por Agrupamentos aplicada à Alocação de Berços em Portos com Restrições de Navegabilidade
Busca Guiada por Agrupamentos aplicada à Alocação de Berços em Portos com Restrições de Navegabilidade Moisés R. dos Santos 1, Marcelo B. do Nascimento 2, Alexandre C. M. de Oliveira 3 1 Curso de Ciência
Leia maisO Problema de Corte de Estoque com Data de Entrega
O Problema de Corte de Estoque com Data de Entrega Elisama de Araujo Silva Oliveira Instituto de Matemática, Estatística e Computação Científica (IMECC), Universidade Estadual de Campinas (UNICAMP) Rua
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisHeurísticas para o problema de corte com reaproveitamento das sobras de material
Heurísticas para o problema de corte com reaproveitamento das sobras de material Adriana Cristina Cherri, Marcos Nereu Arenales Instituto de Ciências Matemáticas e de Computação, USP. 13560-970, São Carlos,
Leia mais4 Algoritmo Genético com Chaves Aleatórias
4 Algoritmo Genético com Chaves Aleatórias Neste capítulo é apresentado um algoritmo genético com chaves aleatórias [9] para o problema min-rwa. A opção por esta classe de algoritmos genéticos é motivada
Leia maisAlgoritmo Branch-and-Price para o Problema de Corte de Estoque Não-Guilhotinado
Algoritmo Branch-and-Price para o Problema de Corte de Estoque Não-Guilhotinado Vinícius Loti de Lima e Thiago Alves de Queiroz Unidade de Matemática e Tecnologia - UFG/Regional Catalão, Av. Dr. Lamartine
Leia mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Leia maisProblemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Leia maisUm algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
Leia maisProgramação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo
Programação da produção em sistema no-wait flow shop com minimização do tempo total de fluxo Lucas Yamada Scardoelli (EESC/USP) scarty@terra.com.br R. General Glicério, 340, Centro, CEP 15900-000, Taquaritinga,
Leia maisUma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Leia maisESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS
ESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS João Vitor Moccellin Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisUMA HEURÍSTICA DE REDUÇÃO DO ESPAÇO DE BUSCA PARA UMA CLASSE DE PROBLEMAS DE SEQUENCIAMENTO DE TAREFAS EM UMA MÁQUINA Bruno Ferreira Rosa, Marcone Jamilson Freitas Souza, Sérgio Ricardo de Souza Centro
Leia maisUm algoritmo genético híbrido para o problema quadrático binário irrestrito
Um algoritmo genético híbrido para o problema quadrático binário irrestrito Bruno de Athayde Prata (UNIFOR) bprata@unifor.br Resumo O problema quadrático binário irrestrito (Unconstrained Quadratic Binary
Leia mais1_1 1_2 2_1 1_ _ _ Fonte: Autor
75 7. Resultados Os resultados aqui apresentados utilizam o modelo proposto na Seção 6.2, resolvido através do software de otimização AIMMS para os problemas com Datas prometidas. Já para o problema sem
Leia maisAnálise de Desempenho da Paralelização do Problema de Caixeiro Viajante
Análise de Desempenho da Paralelização do Problema de Caixeiro Viajante Gabriel Freytag Guilherme Arruda Rogério S. M. Martins Edson L. Padoin Universidade Regional do Noroeste do Estado do Rio Grande
Leia maisUm Algoritmo Genético Paralelo Aplicado ao Problema de Cobertura de Conjuntos
Um Algoritmo Genético Paralelo Aplicado ao Problema de Cobertura de Conuntos Francisco Jhonatas M. da Silva, Antonio C. de Oliveira, Rodrigo de M. S. Veras Departamento de Computação DC Universidade Federal
Leia mais