UMA ABORDAGEM MULTIAGENTE PARA A SOLUÇÃO DE PROBLEMAS DO TIPO JOBSHOP
|
|
- Cármen Malu Borges Paiva
- 6 Há anos
- Visualizações:
Transcrição
1 XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. UMA ABORDAGEM MULTIAGENTE PARA A SOLUÇÃO DE PROBLEMAS DO TIPO JOBSHOP Carlos Alberto dos Santos Passos (CTI) carlos.passos@cti.gov.br Vitor Massaru Iha (Unicamp) v.massaru@gmail.com Este artigo apresenta uma proposta de solução para problemas de sequenciamento de curto-prazo para sistemas de produção do tipo jobshop. A solução é baseada em uma abordagem multiagente, na qual diferentes tipos de algoritmos cooperam entree si de forma assíncrona para a solução do problema, segundo a metodologia de Times Assíncronos (A-Teams). A abordagem por times assíncronos permite utilizar vários algoritmos de forma combinada, de tal forma que eles consigam fazer o que separadamente não conseguiriam. Esse tipo de abordagem permite a busca das melhores soluções possíveis para problemas complexos com bom desempenho computacional. Os algoritmos utilizados são baseados em metaheurísticas bastante conhecidas na literatura sobre o assunto, são elas os Algoritmos Genéticos e a Busca Tabu. O problema de jobshop em estudado considera a existência de recursos de uso compartilhado, como energia elétrica, por exemplo, o que dificulta sobremaneira a resolução desse tipo de problema. Palavras-chaves: Sequenciamento, Jobshops, Algoritmos Genéticos, Busca Tabu, Multiagentes.
2 1. Introdução Este trabalho apresenta uma nova abordagem para o problema de sequenciamento da produção de jobshops, conhecido na literatura como Job Shop Problem JSP, utilizando-se a metodologia de Times Assíncronos (A-Teams) proposta por Talukdar (TALUKDAR e SOUZA, 1990 e 1992). Os algoritmos clássicos para otimização com satisfação de restrições possuem várias deficiências e tendem a ser lentos. As abordagens heurísticas existentes são rápidas, mas pouco confiáveis e com desempenho duvidoso. Por isso, ao invés de se procurar criar novos algoritmos, tem-se pesquisado novas formas de se utilizar os já existentes. O problema do sequenciamento de jobshops é de natureza combinacional sendo classificado como NP-difícil, para os quais não é possível se obter soluções em tempo polinomial (GAREY & JOHNSON, 1979). O que abre espaço para a busca de soluções que permitam superar essa dificuldade, como no caso de soluções heurísticas ou metaheurísticas, como as aqui propostas. A abordagem por times assíncronos permite utilizar vários algoritmos de forma combinada, de tal forma que eles consigam fazer o que separadamente não conseguiriam. Esse tipo de abordagem permite a busca das melhores soluções possíveis para problemas complexos com bom desempenho computacional. A utilização cooperativa e assíncrona de diferentes tipos de algoritmos, como a utilizada neste trabalho e em pesquisas realizadas anteriormente (PASSOS e NAZARETH, 2002), (PASSOS e FONSECA, 2003) e (PASSOS e AQUINO, 2006), têm se mostrado bastante adequada para a solução desse tipo de problema, pois permite explorar o que cada um dos algoritmos tem de melhor nas diferentes situações que são encontradas durante a solução dos problemas. 2. O problema do jobshop Formalmente e de forma simplificada o problema jobshop pode ser apresentado como: Sejam M = {m 1, m 2,..., m M } e J = {j 1, j 2,..., j N } dois conjuntos finitos que representam, respectivamente, máquinas e tarefas (Jobs) e X um conjunto de todas as atribuições/alocações de tarefas às máquinas, tal que cada tarefa j é realizada apenas uma vez em cada máquina m. Os elementos x X podem ser escritos em uma matriz N M, na qual as linhas representam as tarefas e as colunas as máquinas onde cada operação de uma tarefa será executada cuja ordem é definida pela posição das mesmas na coluna. Por exemplo, X = [(1,2,3), (2,1,3)], significa que a tarefa 1 será realizada nas máquinas 1, 2 e 3 obedecendo a ordem 1, 2 e 3, e a tarefa 2, nas mesmas máquinas, obedecendo a ordem 2, 1 e 3. Suponha também que exista a função de custo C: X [0,+ ], representado o tempo total de processamento que pode ser expressa como Cij: M J [0,+ ] representado o custo/tempo para a máquina i executar a tarefa j. Neste caso, o problema jobshop a ser solucionado é o seguinte: atribuir (alocar) as tarefas x X tal que C(x) é mínimo. Esse problema também é conhecido na literatura como minimização do makespan. 3. Abordagem multiagente A abordagem multiagente é baseada no conceito de Asynchronous Teams (A-Teams) originalmente apresentado por Sarosh Talukdar da Carnegie Melon University dos EUA, vide referências acima indicadas. A-Teams pode ser definido como sendo uma abordagem aberta e de alta performance indicada para a solução de problemas complexos, particularmente os das áreas de planejamento, projeto, seqüenciamento e controle em tempo real. 2
3 A-Teams utilizam agentes para otimizar/melhorar um conjunto de soluções, também chamado de população de soluções. Os agentes implementam os algoritmos e os demais mecanismos utilizados na solução do problema. Cada população é representada por uma memória responsável por armazenar o conjunto de soluções. As principais características do A-Teams são a autonomia dos agentes, o fluxo cíclico dos dados e a comunicação assíncrona, permitindo o compartilhamento dos resultados e a cooperação entre os agentes. Uma dada população de soluções é representada em uma única memória. Na arquitetura proposta são utilizadas dois tipos de memória: memória de soluções completas, também chamada de memória principal, e memória de soluções parciais. A primeira armazena unicamente soluções factíveis para o problema. A memória de soluções parciais pode conter soluções de diferentes tamanhos ( N) e podem ter posições vazias na sequência. Por isso, geralmente são consideradas infactíveis. Por não ser possível calcular o makespan, elas são selecionadas baseadas na regra FIFO (First-In-First-Out). Os algoritmos que implementam os métodos de busca, representados pelos agentes, são aplicados às memórias para a melhoria das soluções até que um determinado conjunto de critérios de parada seja alcançado e determine o encerramento das buscas. Os agentes podem ser de três tipos: construção, melhoria e destruição. Os agentes de construção são responsáveis pela geração de soluções iniciais adicionando soluções completas e factíveis na memória de soluções completas. Os agentes de melhoria retiram soluções da população existente na memória principal e geram novas que serão adicionadas à essa memória. Finalmente, os agentes de destruição são responsáveis por manter o tamanho da população sob controle e potencializar a ação dos agentes de melhoria, removendo soluções ruins (MURTHY et al., 1997). 4. Arquitetura multiagente proposta A arquitetura multiagente proposta, vide Figura 1, é baseada na metodologia A-Teams, já mencionada anteriormente. São utilizados diferentes algoritmos para gerar a população de soluções iniciais, melhoria das soluções geradas e para a eliminação de soluções de tal forma a manter a população sob controle. BT AG CONSTRUTOR C MEMÓRIA PRINCIPAL CNEH MEMÓRIA SOL. PARCIAIS DESTRUIDOR Figura 1 Arquitetura multiagente proposta A geração da população inicial é realizada de forma aleatória de tal forma a incluir na 3
4 memória principal apenas soluções consideradas factíveis e em número suficiente para a inicialização dos algoritmos de melhoria. Para cada solução gerada é calculado o valor do seu makespan e as mesmas são introduzidas respeitando-se o ordenamento das soluções por este valor. Esse procedimento permite agilizar a execução dos algoritmos. Os agentes de melhoria utilizados são baseados em algoritmos de Busca Tabu (GLOVER, 1986) e Algoritmos Genéticos (HOLLAND, 1975). Esses algoritmos agem assincronamente sobre a população existente na memória principal visando a sua melhoria. O agente de destruição atua sobre a memória principal visando manter o tamanho da população de soluções sob controle. A estratégia utilizada neste trabalho consiste em retirar soluções da memória de forma aleatória. A solução com menor custo associado é sempre mantida na memória principal, ou seja, tem probabilidade zero de ser eliminada. Um mecanismo adicional combinando dois agentes que atuam entre a memória principal e a memória de soluções parciais pode também ser utilizado. Esse mecanismo é constituído pelos algoritmos C e Cheap-NEH (CNEH) e uma memória secundária. Esses agentes atuam entre as duas memórias criando um ciclo de destruição-construção de soluções factíveis. As soluções na memória secundária por não serem completas são consideradas não factíveis, criando alternativas para a introdução de novas soluções na memória principal. Esse ciclo realizado pelos agentes C e CNEH permite melhorar e diversificar as soluções existentes na memória principal. Na versão atual do programa para tratar de problemas do tipo jobshop os agentes C e CNEH e a memória secundária não foram implementados. Na versão anterior para o caso de problemas do tipo flowshop esses agentes e a memória foram implementados e mostraram melhoria nas soluções encontradas pelo A-Teams. 5. Descrição dos algoritmos de melhoria Esta seção apresenta uma breve descrição das metaheurísticas Busca Tabu (BT) e Algoritmos Genéticos (AG) utilizadas nos agentes de melhoria. 5.1 Busca Tabu Glover descreve como Busca Tabu uma pesquisa de novas soluções na vizinhança de uma determinada solução, combinada com uma lista de soluções pesquisadas recentemente (GLOVER, 1986). O termo tabu vem do fato de que uma solução pesquisada recentemente não pode ser repetida enquanto estiver presente na lista. Durante a busca, vários movimentos são realizados, a fim de ter uma melhora na solução. Este processo é repetido até que os critérios de parada da busca sejam completamente atendidos. Uma discussão sobre os critérios de parada adotados pode ser encontrada em (PASSOS e NAZARÉ, 2002). Nesse artigo os critérios foram discutidos para o caso de sequenciamento de flowshops, mas podem ser facilmente extrapolados para o caso do jobshop. Na arquitetura proposta o BT atua como um agente de melhoria sobre a população de soluções armazenadas na memória principal. Ele retira uma única solução da memória para utilizar como solução inicial do algoritmo. Considerando que o TS é um agente determinístico, nos protocolos de leitura não é permitido que uma mesma solução seja lida duas vezes. As seguintes políticas são aplicáveis: i) Selecione as soluções das melhores para as piores, baseado no valor do makespan, com uma probabilidade linear de escolha (a probabilidade de escolha é inversamente proporcional ao makespan); ii) Escolha as soluções das piores para as melhores com probabilidade linear de 4
5 escolha (a probabilidade de escolha é proporcional ao makespan) e iii) Escolha a melhor solução nunca lida antes Algoritmo Genético Os algoritmos genéticos foram introduzidos pela primeira vez por Holland em 1975 (HOLLAND, 1975) a fim de explicar o desenvolvimento de sistemas artificiais que mantêm os mecanismos naturais de adaptação. Interagindo com o A-Teams, o AG incorpora na sua população inicial algumas soluções completas extraídas da memória principal e escreve o melhor resultado que for encontrado na memória quando o processo de evolução estiver terminado. As soluções que serão incorporadas pelo AG na memória principal são definidas por sua política de leitura. Considerando que o AG é um agente com comportamento não-determinístico, as seguintes políticas de leitura foram propostas: i) Selecione a melhor solução a partir da memória principal baseada no valor makespan; ii) Escolha aleatoriamente um conjunto de soluções, iii) Selecione as soluções das melhores para o piores, baseado no valor do makespan, com uma probabilidade linear de escolha (a probabilidade de escolha é inversamente proporcional ao makespan); iv) Escolha as soluções das piores para as melhores com probabilidade linear de escolha (a probabilidade de escolha é proporcional ao makespan). Maiores detalhes sobre a aplicação desse agente podem ser encontrados em (PASSOS e FONSECA, 2003). Na arquitetura A-Teams aqui proposta, o algoritmo GA, assim como o BT, atua como um agente de melhoria sobre a população de soluções completas armazenadas na memória principal. 6. Casos de estudo e apresentação de resultados Diversos casos de estudo foram e estão sendo estudados visando validar os algoritmos implementados e analisar o desempenho da abordagem como um todo. Os casos de testes são submetidos a três situações diferentes; (i) Teste do algoritmo de BT isoladamente. (ii) Teste do AG isoladamente e (iii) Teste da arquitetura A-Teams com os agentes de melhoria, algoritmos BT e AG, e os agentes Construtor e Destruidor, esses últimos utilizados respectivamente para inicialização e para a manutenção do tamanho da população de soluções sob controle. Esses testes exigem que sejam realizados estudos preliminares dos parâmetros utilizados nos algoritmos para que se possa conseguir um bom desempenho dos mesmos isoladamente e no A-Teams. O que se busca com a parametrização é conciliar a obtenção da melhor solução mantendo-se sob controle o tempo de execução dos algoritmos. Os principais parâmetros que impactam o desempenho dos algoritmos são: Parâmetros da BT Tamanho da Lista Tabu. Parâmetros do Algoritmo Genético: Tamanho da População (M), Número de Gerações (NGER), Fator Crossover para determinação da fração da polução que sofrerá crossover (FCROSS), Número de indivíduos que sofrerá mutação (MUT) etc. Critérios de parada: Número total de interações (CONTAGEM), Número total de iterações sem melhora da função objetivo. (NO_IMPROV), Porcentagem de novas seqüências geradas em um passo que já estão presentes na Lista Tabu existente (PERCENT) e outros. Um exemplo de parametrização utilizada para os algoritmos nos casos de testes em estudo para problemas jobshop é o seguinte: BT contagem = 200, PERCENT = 85. AG probabilidade de crossover = 90%, probabilidade de mutação = 1,2%, População = 600, Iterações do algoritmo genético = 600. A-Teams 80 iterações. 5
6 A exemplo do que foi conseguido no caso do flowshop ((PASSOS e NAZARETH, 2002), (PASSOS e FONSECA, 2003) e (PASSOS e AQUINO, 2006)), os resultados para os testes com a versão do algoritmo em estudo para o caso do jobshop tem se mostrado bastante promissores. No caso do jobshop os testes estão sendo realizados com exemplos obtidos na literatura, como os de Taillard ( ordonnancement.dir/ordonnancement.html) e de J. Adams, E. Balas and D. Zawack obtidos no site: Nos estudos de caso com as instâncias de Taillard foram realizados testes, dentre outros, com o problema ta07 (15x20 15 tarefas e 15 máquinas), cujo melhor upper bound conhecido para o makespan é de 1227, tendo sido obtido o valor de 1330, cerca de 8% de diferença. Nos casos com as instâncias de J. Adams, E. Balas and D. Zawack foram realizados testes com o problema abz07 (15x20) cujo melhor upper bound conhecido para o makespan é de 678, tendo sido obtido o valor de 742, com cerca de 10% de diferença. Novos estudos estão sendo realizados visando melhorar o desempenho dos algoritmos como um todo, tanto em relação ao valor do makespan como do tempo de solução dos problemas. Os agentes C e CNEH e a memória parcial, mencionados na seção 4, também serão implementados no novo algoritmo com esse mesmo objetivo. 7. Comentários e Conclusões Foi apresentada no artigo uma proposta de solução para problemas de sequenciamento de curto-prazo para sistemas de produção do tipo jobshop utilizando uma abordagem multiagente segundo a metodologia A-Teams. A abordagem multiagente apresenta como vantagem principal a possibilidade de combinar diferentes tipos de algoritmos, os quais cooperam entre si para a solução do problema. Já a abordagem por times assíncronos, permite utilizar vários algoritmos de forma combinada e assíncrona, de tal forma que eles consigam fazer o que separadamente não conseguiriam. Esse tipo de abordagem permite a busca das melhores soluções possíveis para problemas complexos com bom desempenho computacional. A implementação do A-Teams faz uso de uma arquitetura computacional bastante flexível permitindo a inclusão de agentes autônomos (algoritmos) de uma forma direta, o que favorece a criação de soluções adaptadas para uma classe variadas de problemas. Agradecimento Agradecimento especial ao CNPq pela concessão de uma bolsa de Iniciação Científica para um dos autores no Programa Institucional de Bolsas de Iniciação Científica do Conselho Nacional de Desenvolvimento Científico e Tecnológico - PIBIC/CNPq. Referências BAKER K.R. Introduction to Sequencing and Scheduling, John Wiley, GAREY M.R.; JOHNSON D.S. Computers and Intractability; a Guide to NP-Completeness. New York, W. H. Freemon and Company, 1979, 340 p. GLOVER, F. Future Paths for Integer Programming and Links to Artificial Intelligence, Computers and Operations Research 13, , HOLLAND, J.H. Adaptation in Natural and Artificial Systems. University of Michigan Press, MURTHY S.; RACHLIN J.; AKKIRAJU R. & WU F. Agent-Based Cooperative Scheduling; In Constraints 6
7 & Agents. Technical Report WS , Menlo Park, AAAI Press, PASSOS C.A.S.; NAZARETH L.G.P. Flowshop Scheduling in Chemical Process Industries using Tabu Search Algorithm. 18ª International Conference on CAD/CAM and Factories of the Future, INESC/Porto, Portugal, PASSOS C.A.S.; FONSECA S.L.A. Scheduling of Jobs in Chemical Process Industries Using Metaheuristics Approaches. International Conference on Industrial Logistics - ICIL , Vaasa, Finland, PASSOS C.A.S.; AQUINO D.M., Tabu search and genetic algorithms: a comparative study between pure and hybrid agents in an A-teams approach. Anais do XII International Conference on Industrial Engineering and Operations Management,. Fortaleza - CE Brasil, outubro de TALUKDAR S.N.; SOUZA P.S. Asynchronous Teams. Second SIAM Conference on Linear Algebra: Signals, Systems and Control, November TALUKDAR S.N.; SOUZA P.S. Scale efficient organizations. IEEE Int. Conference on Systems, Man and Cybernetics, October,
Sistemas de Produção em Fluxo
Uma introdução a problemas de sequenciamento em sistemas de produção em fluxo Faculdade de Ciências da Universidade do Porto 18 de Janeiro de 2012 Sumário Introdução Literatura (Makespan) Pesquisa Local
Leia 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 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 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 maisAbordagens para Problemas Intratáveis
Abordagens para Problemas Intratáveis Letícia Rodrigues Bueno UFABC Motivação Se você se depara com um problema intratável... Motivação Se você se depara com um problema intratável... I can t find an efficient
Leia 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 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 maisAnálise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível
Análise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível Antonio G. RODRIGUES, Leandro T. HOFFMANN e Arthur T. GÓMEZ Universidade do Vale
Leia 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 maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
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 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 maisUMA COMPARAÇÃO EMPÍRICA DE OPERADORES DE CROSSOVER PARA O PROBLEMA DE JOB SHOP COM DATAS DE ENTREGAS
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisDIMENSIONAMENTO E SEQUENCIAMENTO DE LOTES PARA UMA LINHA DE PRODUÇÃO FLOWSHOP: MÉTODOS DE
DIMENSIONAMENTO E SEQUENCIAMENTO DE LOTES PARA UMA LINHA DE PRODUÇÃO FLOWSHOP: MÉTODOS DE SOLUÇÃO Márcio Antônio Ferreira Belo Filho Universidade de São Paulo - Instituto de Ciências Matemáticas e de Computação
Leia maisTeoria da Complexidade Computacional
Teoria da Complexidade Computacional Letícia Rodrigues Bueno UFABC Motivação Motivação I can t find an efficient algorithm, I guess I m just too dumb. Fonte: GAREY, M. R. e JOHNSON, D. S. Computers and
Leia maisUm Estudo do Comportamento dos Tempos de Makespan, Atraso e Setup no Problema de Escalonamento do Job-shop
Um Estudo do Comportamento dos Tempos de Makespan, Atraso e Setup no Problema de Escalonamento do Job-shop Gilberto Irajá Müller 1, Arthur Tórgo Gómez 1 1 Universidade do Vale do Rio dos Sinos UNISINOS
Leia maisREDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP
REDUÇÃO DO ESTOQUE EM PROCESSAMENTO EM SISTEMAS DE PRODUÇÃO FLOW SHOP Marcelo Seido Nagano Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisUm Modelo Baseado na Busca Tabu Aplicado ao Problema do Escalonamento do Job-shop com Setup e Data de Entrega
Um Modelo Baseado na Busca Tabu Aplicado ao Problema do Escalonamento do Job-shop com Setup e Data de Entrega Gilberto Irajá Müller 1, Antonio Gabriel Rodrigues 1, Arthur Tórgo Gómez 1 1 Universidade do
Leia maisAlgoritmos Branch e Bound para o problema de sequenciamento em uma única máquina
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Algoritmos Branch e Bound para o problema de sequenciamento em uma única máquina Carlos E. Ferreira Instituto de Matemática e Estatística, IME, USP 05508-090,
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisAnálise do Comportamento das Estratégias de Escalonamento Considerando n Máquinas de Produção
Análise do Comportamento das Estratégias de Escalonamento Considerando n Máquinas de Produção Gilberto Irajá Müller 1, Arthur Tórgo Gómez 1 1 Universidade do Vale do Rio dos Sinos UNISINOS PIPCA - Programa
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisUMA 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 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 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 maisANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP
ANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP John Lennon Damas David UFG/Campus Catalão johnlennon_13@yahoo.com.br Hélio Yochihiro Fuchigami
Leia 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 maisEstratégias de Escalonamento em um Ambiente de Job-shop
Estratégias de Escalonamento em um Ambiente de Job-shop Gilberto Irajá Müller 1, Arthur Tórgo Gómez 1 1 Universidade do Vale do Rio dos Sinos UNISINOS PIPCA - Programa Interdisciplinar de Pós-Graduação
Leia maisFigura 3.1: Fluxograma do algoritmo da Programação Genética.
3 Programação Genética O termo Programação Genética passou a ser utilizado em 1990 nos trabalhos publicados por Koza [30] e De Garis [31]. A definição de Koza para este termo passou a predominar após a
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 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 maisTópicos em Métodos Heurísticos META-HEURÍSTICAS
Tópicos em Métodos Heurísticos META-HEURÍSTICAS MÉTODOS HEURÍSTICOS QUE PERMITEM A CONTINUIDADE DAS EXPLORAÇÕES ALÉM DA OTIMALIDADE LOCAL, EM PARTICULAR, SUPERPONDO-SE A HEURÍSTICAS DE BUSCA LOCAL I) SIMULATED
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 maisModelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora
Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em
Leia maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
UM ALGORITMO HEURÍSTICO MULTIOBJETIVO BASEADO NO MÉTODO DE NEWTON PARA O PROBLEMA INTEGRADO DE ALOCAÇÃO DE RECURSOS E SEQUENCIAMENTO DE OPERAÇÕES Miguel Angel Fernández Pérez fernandezmiguelp@gmail.com
Leia maisUM ALGORITMO EVOLUCIONÁRIO APLICADO AO PROBLEMA FLOWSHOP PERMUTACIONAL COM RESTRIÇÃO DE ESPERA
UM ALGORITMO EVOLUCIONÁRIO APLICADO AO PROBLEMA FLOWSHOP PERMUTACIONAL COM RESTRIÇÃO DE ESPERA Francisco Régis Abreu Gomes Pós-Graduação em Logística e Pesquisa Operacional-UFC Campus do Pici, Bloco 703,
Leia 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 maisAlgoritmos Evolutivos para Otimização Dinâmica. Alunos: Guilherme Kricheldorf Marcos Vinícius Lenz Balatka William Pereira
Algoritmos Evolutivos para Otimização Dinâmica Alunos: Guilherme Kricheldorf Marcos Vinícius Lenz Balatka William Pereira 1 Sumário Introdução Problemas de otimização dinâmica (POD) Definição Exemplos
Leia maisBUSCA LOCAL (PARTE 4 Resolução de problemas por meio de busca) (C)Russell & Norvig, capítulo 4
BUSCA LOCAL (PARTE 4 Resolução de problemas por meio de busca) (C)Russell & Norvig, capítulo 4 1 Roteiro Algoritmos de Busca Local Subida de encosta (Hill-climbing) Têmpera Simulada (Simulated Anealing)
Leia maisAvaliação de Heurísticas de Melhoramento e da Metaheurística Busca Tabu para Solução de PRV
Avaliação de Heurísticas de Melhoramento e da Metaheurística Busca Tabu para Solução de PRV Eliseu Celestino Schopf 1, Claudio Schepke 1, Marcus Lucas da Silva 1, Pablo Furlan da Silva 1 1 Centro de Eletrônica
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 maisOtávio Moura do Nascimento Leandro de Moraes
Otávio Moura do Nascimento Leandro de Moraes Job Shop m tarefas, divididas em n operações, devem ser executadas em k máquinas diferentes Cada máquina pode executar somente uma operação de cada vez As operações
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 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 maisAperfeiçoamento do método Clause-Column Table para a geração eficiente de implicantes primos para minimização de funções booleanas.
Aperfeiçoamento do método Clause-Column Table para a geração eficiente de implicantes primos para minimização de funções booleanas. Alexandre C. R. da Silva, Caroline D. P. N. Barbieri, Depto. de Engenharia
Leia maisPrática 00. Total 04. Pré-requisitos. No. De Créditos 04
Disciplina Otimização Combinatória Departamento Carga Horária Semanal MINISTÉRIO DA EDUCAÇÃO E CULTURA PRÓ-REITORIA DE GRADUAÇÃO 1 PROGRAMA DE DISCIPLINA Departamento de Computação Teórica Pré-requisitos
Leia maisRECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA.
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda e-mail: valentin@sel.eesc.sc.usp.br
Leia maisComputação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
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 maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia mais4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos
46 4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos Para definir a representação de um modelo para problemas de planejamento
Leia maisAlgoritmo Genético e Busca Local para o problema Justin-Time Job-Shop Scheduling
Algoritmo Genético e Busca Local para o problema Justin-Time Job-Shop Scheduling Rodolfo P. Araujo, André G. dos Santos, José E. C. Arroyo Departamento de Informática Universidade Federal de Viçosa (UFV)
Leia 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 maisMPE(S)- Metodologias de Planeamento e Escalonamento Planning and Scheduling Methodologies
MPE(S)- Metodologias de Planeamento e Escalonamento Planning and Scheduling Methodologies Eugénio Oliveira / Henrique L. Cardoso {eco, hlc}@fe.up.pt Sítio web institucional Sítio web específico: http://paginas.fe.up.pt/~eol/prodei/mpe1415_eng.htm
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 maisSEQUENCIAMENTO DA PRODUÇÃO EM JOB-SHOPS COM O AUXÍLIO DE GRIDS COMPUTACIONAIS
SEQUENCIAMENTO DA PRODUÇÃO EM JOB-SHOPS COM O AUXÍLIO DE GRIDS COMPUTACIONAIS Luiz Rossi de Souza (CEFET) luizrrossi@gmail.com Diego Moreira de Araujo Carvalho (CEFET) d.carvalho@ieee.org Rafael Garcia
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 maisTópicos Especiais em Otimização
Tópicos Especiais em Otimização ivo.junior@ufjf.edu.br Juiz de Fora, 05 de Maio de 2016 Introdução Qual a diferença entre inteligência: ARTIFICIAL E COMPUTACIONAL? ARTIFICIAL: É a ciência que tenta compreender
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 maisImplementação de um escalonador de processos em GPU
Implementação de um escalonador de processos em GPU Guilherme Martins guilhermemartins@usp.br 6 de abril de 2017 Guilherme Martins (guilhermemartins@usp.br) Implementação de um escalonador de processos
Leia maisAprendizado Evolutivo: Introdução aos Algoritmos Genéticos
Aprendizado Evolutivo: Introdução aos Algoritmos Genéticos SCC-230 Inteligência Artificial Thiago A. S. Pardo Solange O. Rezende 1 Computação Evolutiva (CE) Trata de sistemas para a resolução de problemas
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 maisDisc. Scientia. Série: Ciências Naturais e Tecnológicas, S. Maria, v. 7, n. 1, p ,
Disc. Scientia. Série: Ciências Naturais e Tecnológicas, S. Maria, v. 7, n. 1, p. 25-38, 2006. 25 ISSN 1981-2841 ANÁLISE DO COMPORTAMENTO DAS ESTRATÉGIAS DE ESCALONAMENTO CONSIDERANDO N MÁQUI- NAS DE PRODUÇÃO
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 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 maisAplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados
Aplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados Marcelo Lisboa Rocha, Sóstenes Pereira Gomes Departamento de Ciência da Computação Fundação UNIRG Alameda
Leia maisAlgoritmo heurístico para agrupamento de ordens de serviço em concessionárias de distribuição de energia elétrica considerando priorização
1/5 Title Algoritmo heurístico para agrupamento de ordens de serviço em concessionárias de distribuição de energia elétrica considerando priorização Registration Nº: (Abstract) xxx Company 1. Universidade
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 maisComplexidade Assintótica de Programas Letícia Rodrigues Bueno
Complexidade Assintótica de Programas Letícia Rodrigues Bueno Análise de Algoritmos 1. Introdução; Análise de Algoritmos 1. Introdução; 2. Conceitos básicos; Análise de Algoritmos 1. Introdução; 2. Conceitos
Leia maisUnidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
5 CAPÍTULO BUSCA EM VIZINHANÇA VARIÁVEL PARA LOCALIZAÇÃO E ROTEAMENTO Silva, Lorrany Cristina da 1 *; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional
Leia maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
Leia mais1 Introdução Motivação
1 Introdução 1.1. Motivação A programação linear, ao menos na modelagem matemática que se conhece hoje, foi desenvolvida durante a segunda grande guerra quando foi utilizada no planejamento e execução
Leia maisTeoria da Complexidade Computacional
Teoria da Complexidade Computacional 25 de novembro de 2011 Enquanto a teoria de análise de algoritmos estuda a análise de complexidade de algoritmos, a teoria da complexidade estuda a classificação de
Leia maisESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP
ESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP Gilson Rogério Batista, Gideon Villar Leandro Universidade Regional do Noroeste do Estado do Rio
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 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 maisAplicação de algoritmos genéticos. Problema da Mochila (knapsack problem)
Aplicação de algoritmos genéticos Problema da Mochila (knapsack problem) Algoritmos genéticos Passos inspirados no processo biológico de evolução Ideia de sobrevivência dos mais adaptados Soluções cada
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 maisRelatório Técnico: Busca Tabu Aplicada ao Problema do Caixeiro Viajante
Relatório Técnico: Busca Tabu Aplicada ao Problema do Caixeiro Viajante André Britto de Carvalho, Rodolfo Barriveira, Carlos Tavares, Kelly Rodrigues, Frederico Losco Resumo. Este relatório apresenta uma
Leia maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia maisUm Algoritmo Cultural para Resolver Problemas de Otimização: Aplicação em um Problema de Despacho Econômico
Um Algoritmo Cultural para Resolver Problemas de Otimização: Aplicação em um Problema de Despacho Econômico Um Algoritmo Cultural para resolver Problemas de Otimização: Aplicação em um Problema de Despacho
Leia maisRedes de Computadores. Fundamentos de Sistemas Operacionais - 2º Período
Redes de Computadores Fundamentos de Sistemas Operacionais - 2º Período PARTE III: GERÊNCIA DE RECURSOS SUMÁRIO 8. GERÊNCIA DO PROCESSADOR: 8.1 Introdução; 8.2 Funções Básicas; 8.3 Critérios de Escalonamento;
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 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 maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisProposta de Algoritmo Genético Seqüencial e Paralelo para o Problema da Mochila
Proposta de Algoritmo Genético Seqüencial e Paralelo para o Problema da Mochila Ricardo de Jesus Carvalho, Gustavo Andrade Lemos, Adenevaldo da Silva Machado Junior, Lairton Reis, Wilton Oliveira Ferreira,
Leia maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
DESENVOLVIMENTO DE UM MODELO HÍBRIDO BASEADO EM ALGORITMO GENÉTICO E BUSCA TABU PARA RESOLUÇÃO DO PROBLEMA DE QUADRO DE HORÁRIOS ESCOLAR Marcus V. da S. Cassemiro Depto de Computação, CEFET-MG 30510-000,
Leia maisUM ITERATED LOCAL SEARCH PARA A MINIMIZAÇÃO DO MAKESPAN EM SISTEMAS DE PRODUÇÃO FLOWSHOP COM EXECUÇÃO CONTÍNUA DAS TAREFAS
UM ITERATED LOCAL SEARCH PARA A MINIMIZAÇÃO DO MAKESPAN EM SISTEMAS DE PRODUÇÃO FLOWSHOP COM EXECUÇÃO CONTÍNUA DAS TAREFAS Francisco Régis Abreu Gomes (UFC) frag.82@ig.com.br O Problema de Seqüenciamento
Leia 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 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 maisProgramação Inteira. Solução com o método Branch-and-Bound
Programação Inteira Solução com o método Branch-and-Bound Conceitos gerais Um conceito fundamental nos métodos de resolução de programação inteira é a relaxação linear p Consiste em substituir PIM Ζ +
Leia maisALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA Igor Acassio Melo
Leia maisAlgoritmo busca tabu para a minimização do tempo de processamento e atrasos de entrega em sistemas de produção flowshop permutacional
Algoritmo busca tabu para a minimização do tempo de processamento e atrasos de entrega em sistemas de produção flowshop permutacional Marcio Leite (UCAM-Campos) mleite@lenep.uenf.br José Elias Cláudio
Leia maisMinimização da duração total da programação em sistemas de produção flowshop, sem interrupção de execução e tarefas
Minimização da duração total da programação em sistemas de produção flowshop, sem interrupção de execução e tarefas Fábio José Ceron Branco (EESC-USP) fbranco@hotmail.com R. General Glicério, 340, Centro,
Leia maisAvaliação de métodos heurísticos em sistemas de produção no-wait flow shop
Avaliação de métodos heurísticos em sistemas de produção no-wait flow shop Marcelo Seido Nagano (USP) - drnagano@usp.br Lucas Yamada Scardoelli (USP) - scarty@terra.com.br João Vitor Moccellin (USP) -
Leia maisBranch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
Leia mais