Soluções Heurísticas Simples e Híbrida para o Problema do Caixeiro Viajante: Um Estudo Comparativo
|
|
- Ana Carolina Flores Casqueira
- 8 Há anos
- Visualizações:
Transcrição
1 Soluções Heurísticas Simples e Híbrida para o Problema do Caixeiro Viajante: Um Estudo Comparativo Marco Antonio Barbosa 1, Renata Neuland 2, Rodrigo Antoniazzi 3 1 Departamento de Informática. Universidade Tecnológica Federal do Paraná (UTFPR) Via do Conhecimento, km Pato Branco, PR Brazil 2 Instituto de Informática Universidade Federal do Rio Grande do Sul (UFRGS) Caixa Postal Porto Alegre RS Brazil 3 Ciência da Computação. Universidade de Cruz Alta (UNICRUZ) Parada Benito Cruz Alta, RS - Brazil mbarbosa@utfpr.edu.br, rcneuland@inf.ufrgs.br, rodrigoantoniazzi@yahoo.com.br Abstract. The Traveling Salesman Problem (TSP) historically has been studied due to its relation to several problems of logistics and routing of great practical interest for different fields. As the TSP belongs to the class of NP- Hard problems, the exact solution obtained by a brute force algorithm, it is obtained only in non polynomial time. In this work two metaheuristics: GRASP and Genetic Algorithms are used to solve the Symmetric Traveling Salesman Problem and both are confronted with a hybrid metaheuristic. Resumo. O Problema do Caixeiro Viajante (PCV) é historicamente estudado por se relacionar a diversos problemas de logística e roteamento, de grande interesse prático para os mais diversos setores. Por pertencer à classe de problemas NP-Difíceis sua solução exata, dada por algoritmos de força bruta, somente é obtida em tempo não polinomial. Neste trabalho duas metaheurísticas simples: GRASP e Algoritmos Genéticos são utilizadas na solução do Problema do Caixeiro Viajante Simétrico e ambas são confrontadas com uma meta-heurística híbrida. 1. Introdução Muitos problemas, com grande interesse prático, podem demandar um tempo de execução muito elevado quando se busca uma solução ótima. Em muitos casos, a melhor solução sequer será encontrada em função do elevado tempo de processamento necessário para encontrá-la. Entretanto, muitos destes problemas são de grande interesse prático e não podem ser desconsiderados pelo fato de não se conseguir encontrar a solução ótima [Cormen 2001]. A dificuldade de se obter uma solução ótima para estes problemas (ou seja, encontrar dentro do conjunto de soluções possíveis aquela solução que é a melhor), se dá em função do seu espaço de soluções possíveis ser exponencial. Tal problema caracteriza-se como um problema de otimização combinatória e, dentre as categorias de problemas conhecidas: decisão, localização e otimização, caracteriza-se como a categoria mais difícil de encontrar uma solução [Garey e Johnson 1979].
2 O Problema do Caixeiro Viajante (PCV) [Lawer 1995] é um dos mais antigos problemas de otimização inserido na classe dos problemas NP-Difíceis, os quais [Toscani e Veloso 2002] definem como aqueles que demandam um tempo de execução de ordem fatorial para que sejam resolvidos de forma exata por meio de algoritmos determinísticos. Os autores ressaltam que para uma dada entrada de tamanho n suficientemente grande o tempo de execução para a resolução desse problema torna-se proibitivo, não sendo possível encontrar uma solução de forma satisfatória em tempo aceitável. Uma alternativa de se buscar uma solução viável em tempo polinomial para problemas intratáveis são os métodos heurísticos [Glover e Kochenberger 2002]. Estes métodos atualmente são mais comumente denominados meta-heurísticas. Tais métodos caracterizam-se por fornecer uma solução viável em um tempo aceitável, porém, sem dar quaisquer garantias da qualidade da resposta obtida. São exemplos de metaheurísticas GRASP, Simulated Annealing, Busca Tabu, Colônia de Formigas, Algoritmos Genéticos, dentre outras. Em [Glover e Kochenberger 2002], [Blum e Roli 2003], [Goldbarg e Luna 2005] e [Linden 2008] podem-se encontrar mais exemplos de meta-heurísticas. Este artigo reporta uma série de experimentos computacionais realizados como tentativa de solução ao Problema do Caixeiro Viajante Simétrico. Foram utilizadas as meta-heurísticas GRASP e Algoritmos Genéticos (AG). Uma terceira meta-heurística implementada consiste em uma meta-heurística híbrida que constitui-se na união da meta-heurísticas GRASP e AG. Na heurística híbrida o GRASP é utilizado para gerar uma solução viável e o AG é utilizado como uma heurística de refinamento sobre esta solução viável, na tentativa de fazer um melhoramento desta solução. O objetivo destes experimentos é traçar uma relação de custo x benefício, ou seja, analisar se a qualidade dos resultados obtidos pela meta-heurística híbrida justifica a sua implementação ou soluções mais simples, como as meta-heurísticas utilizadas separadamente, são tão eficientes quanto a híbrida não justificando, portanto, apostar em uma solução algorítmica de implementação mais complexa e elaborada. Para a obtenção desses resultados, as meta-heurísticas foram implementadas e testes foram executados a fim de criar um parecer avaliativo sobre o desempenho de cada meta-heurística separadamente e da união de ambas (meta-heurística híbrida) sobre as instâncias escolhidas do PCV. As instâncias utilizadas são encontradas na biblioteca TSPLIB. O artigo está estruturado como segue. Na Seção 2 encontram-se conceitos básicos sobre o PCV e as meta-heurísticas GRASP e AG. A Seção 3 detalha a implementação dos métodos. Na Seção 4 apresentam-se os testes, resultados e as respectivas análises. Por fim, na Seção 5 são apresentadas algumas conclusões e direções futuras de trabalho. 2. Conceitos Básicos 2.1. O Problema do Caixeiro Viajante (PCV) O Problema do Caixeiro Viajante tem uma formulação bastante simples: o caixeiro viajante deve percorrer cada cidade em seu território exatamente uma única vez e
3 retornar a cidade de origem tendo percorrido todo o espaço de cidades do território cobrindo a menor distância [Michalewicz e Fogel 2004]. O PCV é definido em [Papadimitriou 1994] da seguinte forma: se tem n cidades 1,...,n e uma distância inteira não negativa dist(i,j) entre duas cidades i e j, considerando-se que i e j sejam todas as cidades possíveis de serem ligadas umas com as outras. Se a distância de i a j for igual à distância de j até i, ou seja, dist(i,j) = dist(j,i) o problema caracteriza-se como o Problema do Caixeiro Viajante Simétrico. A Figura 1 ilustra um exemplo do problema para uma instância com 20 cidades. Embora as distâncias não estejam rotuladas na figura assume-se que as distâncias são simétricas. Uma variação a este problema é assumir que as distâncias são assimétricas, isto é dist(i,j) dist(j,i). Estas duas classes de problemas apresentam diferentes obstáculos na busca por caminhos de custo mínimo. O espaço de busca para o PCV pode ser visto como um conjunto de permutações das n cidades. Cada permutação das n cidades caracteriza-se como uma lista ordenada que define a sequência das cidades a serem visitadas. A solução ótima é uma permutação que corresponda a um tour (ou passeio) de caminho mínimo. Cada tour pode ser representado de 2n maneiras diferentes (para um modelo simétrico). Considerando-se que há n! formas de permutar n números, o tamanho do espaço de busca é então S = n!/(2n) = (n 1)!/2. Para se avaliar a taxa de crescimento desta expressão, para um PCV de 10 cidades há caminhos possíveis, para um PCV de 20 cidades há aproximadamente cerca de caminhos possíveis [Michalewicz e Fogel 2004] A Meta-heurística GRASP Figura 1. Instância do PCV para 20 cidades O Procedimento de busca adaptativa gulosa e randômica, mais comumente chamada de meta-heurística GRASP [Feo e Resende 1995], atua como um método guloso aprimorado. O método utiliza a aleatoriedade como tentativa de fuga de soluções ótimas locais. O método armazena a melhor solução encontrada e continua gerando novas soluções até que uma condição de parada seja satisfeita, durante as iterações a melhor
4 solução geral passa a ser a solução final. O método consiste de duas fases: uma fase de construção e uma fase de busca local. Na fase de construção, a solução é construída elemento a elemento de forma iterativa. A cada iteração, baseando-se no último elemento escolhido, é criada uma lista dos possíveis candidatos a fazer parte dessa solução, essa lista é chamada de lista restrita de candidatos (LRC). Essa lista é composta por uma porcentagem, escolhida pelo desenvolvedor, das melhores opções a serem escolhidas naquele momento, a cada iteração a lista de candidatos deve ser refeita. Os critérios que definem quais candidatos podem fazer parte LRC podem mudar a cada iteração da fase de construção, por isso essa meta-heurística é dita adaptativa. Ao contrário do método guloso tradicional, que escolheria o ótimo local a cada iteração, no GRASP o próximo elemento da solução é escolhido de forma aleatória dentre as opções da LRC. Na fase de busca local, soluções da vizinhança são comparadas com o objetivo de melhorar ao máximo a solução final. O algoritmo abstrato abaixo ilustra de forma sucinta o funcionamento da metaheurística GRASP. Procedimento: GRASP(P,i) Entrada: uma instância do problema e o número de iterações Saída: uma solução (sub-ótima) 01. enquanto (critério de parada não for satisfeito) faça 02. FaseConstrução(solução); 03. BuscaLocal(solução, N(solução)); 04. AtualizaSolução(MelhorSoluçãoEncontrada, solução); 05. fim_enquanto 06. S MelhorSoluçãoEncontrada; 07. retorne(s); 08. fim. Algoritmo 1. Método GRASP 2.3. A Meta-heurística Algoritmos Genéticos Os Algoritmos Genéticos (AG) constituem-se em uma meta-heurística que representa uma metáfora ao processo de evolução natural da biologia. Inicialmente apresentado por [Holland 1975]. Os AG são utilizados atualmente na solução de problemas nas mais diversas áreas, tais como a biologia, engenharias, matemática aplicada, ciência da computação, dentre outras. Nos Algoritmos Genéticos cada indivíduo (cromossomo) está associado a uma solução do problema e cada gene está associado a uma componente da solução. Essa meta-heurística usa um método semelhante à evolução natural das espécies onde os indivíduos mais aptos sobrevivem. A adaptação ocorre por reprodução. Os indivíduos modificam-se e adaptam-se ao meio conforme vão se reproduzindo. Em uma população, alguns organismos possuem características genéticas mais favoráveis à sobrevivência. São indivíduos mais aptos que tendem a ter filhos ainda mais aptos, melhorando, desta forma, a população. Para detalhamento desta meta-heurística, referencia-se [Goldbarg e Luna 2005], [Linden 2008] e [Goldberg 1989].
5 Nos algoritmos genéticos a população inicial é geralmente escolhida de forma aleatória, também chamada de população no tempo 0 (t 0 ). Essa população passa pelo processo de reprodução gerando assim a população no tempo 1 (t 1 ). Esse procedimento de reprodução é a principal etapa dos AGs. Esta etapa caracteriza-se como um processo iterativo onde os indivíduos mais aptos são selecionados como pais, produzindo uma nova geração de indivíduos (filhos). A nova população será classificada e avaliada. Se os novos indivíduos forem considerados aptos poderão se reproduzir e continuar o ciclo. O algoritmo abstrato a seguir ilustra de forma esquemática o princípio de funcionamento dos Algoritmos Genéticos. Procedimento: Algoritmo Genético 01. t 0; 02. gere a população inicial P(t); 03. avalie P(t); 04. enquanto (os critérios de parada não estiverem satisfeitos) faça 05. t t+1; 06. gere P(t) a partir de P(t-1); 07. avalie P(t); 08. defina a população sobrevivente; 09. fim_enquanto 10. fim. Algoritmo 2. Método Algoritmos Genéticos 3. Implementação das Meta-Heurísticas Para a realização dos experimentos reportados neste artigo foram implementados três algoritmos na linguagem Java. Um algoritmo para a meta-heurística GRASP, um algoritmo para a meta-heurística AG e um algoritmo para a meta-heurística híbrida. Para testar as meta-heurísticas foram utilizadas as instâncias: gr17, gr21, gr24, gr48, gr120, si175, com número de nós (cidades) 17, 21, 24, 48, 120 e 175 respectivamente. Estas instâncias são encontradas na biblioteca TSPLIB Algoritmo GRASP A meta-heurística GRASP foi implementada segundo os passos a seguir: Passo 1: Seleciona-se o primeiro candidato a fazer parte da solução; Passo 2: Com base no último candidato agregado à solução uma lista de candidatos é criada, de acordo com o percentual pré-definido na configuração inicial do algoritmo; Passo 3: Um candidato é selecionado da lista de forma aleatória e adicionado à solução; Passo 4: Verifica-se o critério de parada. Caso o critério não seja satisfeito o algoritmo repete os passos a partir do passo 2; Passo 5: Busca-se dentre as soluções encontradas aquela que melhor se apresenta como solução para o problema. Para a criação da lista de candidatos é feita uma busca sobre os caminhos ainda não visitados. Os candidatos são dispostos em ordem crescente em relação à distância 1 disponível em
6 entre eles e o último candidato agregado à solução. De acordo com o percentual definido na configuração inicial, os n primeiros candidatos são dispostos na lista de candidatos. Desta lista, um candidato é escolhido de forma aleatória e adicionado à solução. Para cada candidato adicionado à solução a lista deve ser refeita. A Figura 2 apresenta a interface da solução GRASP implementada neste trabalho. Para a utilização do método o usuário necessita definir alguns parâmetros de configuração. O usuário deve definir a instância a ser avaliada, o nó a ser utilizado como ponto de início da tour ou definir que o ponto de início seja obtido de forma aleatória. O usuário define o número de iterações do método (que servirá como critério de parada do método) e, por fim, o usuário deverá definir o percentual da lista de candidatos que será considerada a cada iteração. Os resultados fornecidos pelo sistema são: a melhor solução encontrada, o peso dessa solução, o caminho percorrido e o tempo de início e término da execução do método. Figura 2. Interface do método GRASP 3.2. Algoritmo Genético A Figura 3 apresenta a interface para o método AG. Para a configuração inicial do método o usuário deve: definir a instância a ser utilizada, os percentuais de mutação, cruzamento e elitismo, bem como o tamanho da população inicial e o número de iterações (usado como critério de parada). Da mesma forma que no método GRASP são apresentados como resultado a melhor solução encontrada, o peso dessa solução, o caminho percorrido e os tempos de início e término de execução do método. Figura 3. Interface do método Algoritmos Genéticos A meta-heurística AG foi implementada de acordo com a sequência de passos listadas a seguir:
7 Passo 1: Criação de cromossomos feita de forma aleatória (população inicial); Passo 2: Avaliar os cromossomos da população; Passo 3: Executar a função de elitismo; Passo 4: Executar a função de crossover/cruzamento (1 ponto); Passo 5: Executar a função de mutação (2-troca); Passo 6: Unir os cromossomos criados em uma nova população; Passo 7: Avaliar o critério de parada. Caso o critério de parada não seja satisfeito, repetir os passos a partir do passo 2. A função de avaliação dos cromossomos da população caracteriza-se como a soma das distâncias entre os genes que compõe o cromossomo. A função de elitismo funciona como um repositório de bons indivíduos. A cada população criada, um percentual pré-determinado (geralmente 1%) dos indivíduos que a compõe, são escolhidos através de elitismo. O elitismo caracteriza-se por uma lista composta pelos melhores indivíduos gerados por todas as populações, fazendo com que os melhores indivíduos nunca se percam completamente. O uso do elitismo em taxas muito altas pode acarretar uma convergência acelerada sobre uma solução. A função de crossover (ou também denominada de função de cruzamento) é usada nesta implementação com 1 ponto. Isso significa que os cromossomos pais são divididos em um único ponto e os filhos são originados através da união das partes de dois cromossomos diferentes. A escolha dos pais é feita de forma aleatória. Os indivíduos que passam pelo processo de mutação sofrem uma troca entre genes. Dois genes são escolhidos aleatoriamente e trocados de posição, um pelo outro A Meta-heurística Híbrida A meta-heurística híbrida foi construída a partir da união dos algoritmos GRASP e AG. Na abordagem híbrida, o GRASP é utilizado para a obtenção da população inicial e o AG é responsável pelo refinamento (melhoria) das soluções encontradas. O algoritmo híbrido é descrito como: Passo 1: Seleciona-se o primeiro candidato a fazer parte da solução; Passo 2: Com base no último candidato agregado à solução, uma lista de candidatos é criada de acordo com o percentual pré-definido na configuração inicial do método. Neste trabalho optou-se por utilizar 30% como valor padrão; Passo 3: Um candidato é selecionado da lista de forma aleatória e agregado à solução; Passo 4: verifica se a solução está completa, caso não esteja repete-se a partir do passo 2. Passo 5: Verifica-se se já foram criadas soluções suficientes para representar a população inicial. Caso o critério não seja satisfeito o algoritmo repete os passos a partir do passo 1; Passo 7: Avaliar os cromossomos da atual população. A avaliação foi feita de acordo com o valor dos caminhos que cada cromossomo representa; Passo 8: Executar a função de elitismo. Neste momento da execução um percentual, neste caso 1%, da população que obteve uma avaliação melhor no passo anterior, é preservada para a próxima população;
8 Passo 9: Executar a função de crossover/cruzamento. Nesta implementação o crossover utilizado foi o de 1 ponto. Os dois cromossomos escolhidos como pais são divididos, uma única vez, ao meio para formar dois filhos. Apenas parte da população passa por este passo, sendo que fica a critério do usuário escolher o percentual da população a ser selecionada; Passo 10: Executar a função de mutação. O método de mutação utilizado é conhecido como 2-troca. Neste caso, dois genes do cromossomo são escolhidos e trocam de lugares. Assim como no passo 8 apenas parte da população passa por este processo, sendo que fica a critério do usuário escolher um percentual; Passo 11: Unir os cromossomos criados e/ou transformados no decorrer dos passos anteriormente descritos, em uma nova população; Passo 12: Avaliar o critério de parada. Caso o critério de parada não seja satisfeito, repetir os passos a partir do passo 7. Passo 13: Busca-se dentre as soluções encontradas aquela que melhor se encaixa como solução para o problema. 4. Experimentos e Resultados Os experimentos realizados neste trabalho foram implementados em um computador dual core 2.0 GHz, com 4Gb de memória RAM. Cada parametrização foi testada com 100 execuções de cada algoritmo. O gráfico da Figura 4 representa os melhores resultados obtidos para cada instância testada gr17 gr21 gr24 gr48 gr120 si175 GRASP AG Híbrida melhor Figura 4. Gráfico de resultados
9 Após observar os resultados dos testes pode-se construir um parecer avaliativo sobre os métodos testados. A Tabela 1 representa esse parecer de forma mais objetiva. Tabela 1. Conclusões sobre os testes GRASP AG Híbrido Complexidade de implementação Pouca Média alta Melhoria de soluções Pouca Alta Alta Tempo de execução Baixo Alto Alto Sobre o quesito complexidade de implementação, o método GRASP foi o que apresentou menor complexidade uma vez que é o método de codificação mais simplificada. O AG tem uma complexidade mais alta na implementação, em razão de ser um método composto por vários passos característicos, que representam metáforas de situações relacionadas à evolução das espécies. Em relação à melhoria de soluções, todos os métodos apresentaram soluções viáveis em tempo aceitável, entretanto o GRASP teve uma melhoria menos significativa em relação aos outros métodos testados. Comparando os métodos em relação a tempo de execução, o GRASP obteve maior sucesso neste quesito. Sendo que apresenta resultados em tempos significativamente melhores que os outros métodos testados. Em suma, a escolha de qual meta-heurística utilizar vai depender quase que exclusivamente do tipo de problema a resolver. Caso para um dado problema o tempo de resposta seja prioridade sem importar quão boa seja a qualidade solução obtida, dos métodos testados, o GRASP é a melhor opção. Caso contrário, se a qualidade da solução é mais importante que o tempo de resposta e complexidade na implementação do método, os métodos AG e híbrido são recomendados. Porém, nota-se que a proximidade das respostas entre os métodos AG e híbrido indicam que não se justifica a hibridização destas duas meta-heurísticas. 5. Conclusão e Trabalhos Futuros Muitos problemas práticos, encontrados no cotidiano possuem solução computacional de tempo exponencial, ou seja, demandam grande tempo de processamento para entrada de dados suficientemente grandes. Tais problemas são conhecidos como problemas de otimização. Um importante problema computacional encontrado nesta categoria é o Problema do Caixeiro Viajante. Este artigo reporta experimentos computacionais aplicados à solução do Problema do Caixeiro Viajante. Foram implementados duas meta-heurísticas simples: GRASP e Algoritmos Genéticos e uma terceira meta-heurística híbrida que caracterizase pela união de ambas. Os experimentos realizados visaram traçar uma relação de custo x benefício entre a complexidade de implementação dos métodos, o tempo de execução dos métodos e a qualidade das soluções obtidas. Uma análise sucinta aponta que se o objetivo é buscar uma solução rápida, independente da qualidade desta solução a meta-heurística é bem indicada. Por outro lado, se o interesse é na qualidade da resposta pode-se observar que a meta-heurística Algoritmos Genéticos é a mais indicada. Como conclusão pode-se observar que a
10 hibridização destas heurísticas não é indicada por não se obter ganho na qualidade das soluções e por corresponder a maior complexidade de implementação. Como trabalho futuro o objetivo é investigar a qualidade da solução obtida pelo Algoritmo Genético modificado, conforme apresentado em [Kanoh 1996] conhecido como Algoritmos Genéticos com infecção viral. Referências Blum, C. Roli, A. Metaheuristics in Combinatorial Optimazation: Overview and Conceptual Comparison. ACM Computing Surveys, Vol. 35, Set Cormen, Thomas H. et al. Introduction to Algorithms. McGraw-Hilll. New York, Feo, T.A.; Resende, M.G.C. Greedy randomized adaptive search procedures. Journal of Global Optmization. 6, , Garey, M. R. and Johnson, D. S. Computers and Intractability A Guide to the Theory of NP-Completeness. Series of Books in the Mathematical Sciences, Glover, F and Kochenberger, G. Handbook of Metaheuristics. International Series in Operations Research & Management Science, vol. 57. Kluwer Academic Publishers, Norwell, MA Goldberg, D.E. Genetic Algorithms in Search, Optmization and Machine Learning. Addison-Wesley, Berkeley, Goldbarg, Marco C; Luna, Henrique P. L. Otimização combinatória e programação linear: modelos e algoritmos. 2ª Ed. Rio de Janeiro: Ed. Campus, Holland, J.H., Adaptation in Natural and Artificial Systems. Ann. Arbor: University of Michigan Press, Kanoh, H.; Hasegawa, K.; Kato, N. Solving Constraint Satisfaction Problems by a Genetic Algorithm Adopting Viral Infection. In: INTERNATIONAL JOINT SYMPOSIA ON INTELLIGENCE AND SYSTEMS, Proceedings. Washington: IEEE Computer Society, 1996, p Lawler, E. L. et al. The Traveling Salesman Problem - A Guided Tour of Combinatorial Otmization. [S.l.]: John Wiley and Sons, Linden, R. Algoritmos Genéticos. 2. ed. Rio de Janeiro: Brasport, v p. Michalewicz, Zbigniew; Fogel, David. B. How to Solve It: Modern Heuristics. Second edition. Springer Verlag. Berlin, Papadimitriou, Christos M. Computational complexity. Estados Unidos da América, Addison-Wesley Publishing Company Inc., Toscani, L. V; Veloso, Paulo A. S. Complexidade de Algoritmos. Porto Alegre: Instituto de Informática da UFRGS: Editora Sagra Luzzatto, 2002.
DISCIPLINA: Métodos Heurísticos
DISCIPLINA: Métodos Heurísticos CURSO(S): Licenciatura em Engenharia e Gestão Industrial Licenciatura em Engenharia de Sistemas e Informática Licenciatura em Matemática Aplicada Licenciatura em Matemática
Leia maisAlgoritmos Genéticos
UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br
Leia maisAPLICAÇÃO DE MÉTODOS HEURÍSTICOS EM PROBLEMA DE ROTEIRIZAÇÃO DE VEICULOS
APLICAÇÃO DE MÉTODOS HEURÍSTICOS EM PROBLEMA DE ROTEIRIZAÇÃO DE VEICULOS Bianca G. Giordani (UTFPR/MD ) biancaggiordani@hotmail.com Lucas Augusto Bau (UTFPR/MD ) lucas_bau_5@hotmail.com A busca pela minimização
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados
Projeto e Análise de Algoritmos Projeto de Algoritmos Heurísticas e Algoritmos Aproximados Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas Departamento de Ciências
Leia maisTécnicas para Programação Inteira e Aplicações em Problemas de Roteamento de Veículos 14
1 Introdução O termo "roteamento de veículos" está relacionado a um grande conjunto de problemas de fundamental importância para a área de logística de transportes, em especial no que diz respeito ao uso
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 maisComplemento IV Introdução aos Algoritmos Genéticos
Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e
Leia maisDisciplina de Projetos e Análise de Algoritmos. Aula 1 - Apresentação aos Algoritmos Computacionais
Aula 1 - Apresentação aos Algoritmos Computacionais O que é a Disciplina? Disciplina de Projeto e Análise de Algoritmos Esta é uma disciplina de Algoritmos em nível de Pós-Graduação! Temas a serem abordados:
Leia maisInteligência Computacional Aplicada a Engenharia de Software
Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar
Leia maisALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA
136 ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA FILITTO, Danilo 1 Resumo: Os algoritmos Genéticos inspiram-se no processo de evolução natural e são utilizados para resolver problemas de busca e otimização
Leia maisSLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos
SLAG - Resolvendo o Problema do Caixeiro Viajante Utilizando Algoritmos Genéticos Fredson Vieira Costa 1, Fábio Silveira Vidal 1, Claudomiro Moura Gomes André 1 1 Curso de Bacharelado em Ciência da Computação
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos
Leia maisOtimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha
Otimização de Funções Não Lineares por Meio do Algoritmo Árvore da Montanha Amarildo de Vicente Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade Estadual do Oeste
Leia maisConceitos Básicos de Algoritmos Genéticos: Teoria e Prática
Conceitos Básicos de Algoritmos Genéticos: Teoria e Prática Thatiane de Oliveira Rosa 1, Hellen Souza Luz 2 1 Curso de Sistemas de Informação Centro Universitário Luterano de Palmas (CEULP/ULBRA) Caixa
Leia mais2 Problema das p-medianas
2 Problema das p-medianas 2.1 Definição O PMNC é definido da seguinte forma: determinar quais p facilidades (p m, onde m é o número de pontos onde podem ser abertas facilidades) devem obrigatoriamente
Leia maisA Otimização Colônia de Formigas
A Otimização Colônia de Formigas Estéfane G. M. de Lacerda Departamento de Engenharia da Computação e Automação UFRN 22/04/2008 Índice A Inspiração Biológica O Ant System Aplicado ao PCV O Ant System Aplicado
Leia maisMeta-heurísticas. Métodos Heurísticos José António Oliveira zan@dps.uminho.pt. meta-heurísticas
Meta-heurísticas 105 meta-heurísticas Propriedades e Características: são estratégias que guiam o processo de pesquisa; - o objectivo a atingir é a exploração eficiente do espaço de pesquisa de modo a
Leia maisBUSCA LOCAL ITERADA (ILS ITERATED LOCAL SEARCH)
BUSCA LOCAL ITERADA (ILS ITERATED LOCAL SEARCH) Francisco A. M. Gomes 1º sem/2009 MT852 Tópicos em pesquisa operacional Iterated local search (ILS) Método que gera uma sequência de soluções obtidas por
Leia maisA SOLUTION OF N-QUEENS PROBLEM BY GENETIC ALGORITHMS
UMA SOLUÇÃO DO PROBLEMA DAS N RAINHAS ATRAVÉS DE ALGORITMOS GENÉTICOS A SOLUTION OF N-QUEENS PROBLEM BY GENETIC ALGORITHMS Eliane Vendramini de Oliveira Mestre em Engenharia Elétrica UNESP/ Ilha Solteira
Leia maisUma Heurística para o Problema de Redução de Padrões de Corte
Uma Heurística para o Problema de Redução de Padrões de Corte Marcelo Saraiva Limeira INPE/LAC e-mail: marcelo@lac.inpe.br Horacio Hideki Yanasse INPE/LAC e-mail: horacio@lac.inpe.br Resumo Propõe-se um
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Treinamento via Algoritmos Genéticos Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola
Leia maisResolução do Problema de Roteamento de Veículos com Frota Heterogênea via GRASP e Busca Tabu.
Resolução do Problema de Roteamento de Veículos com Frota Heterogênea via GRASP e Busca Tabu. Camila Leles de Rezende, Denis P. Pinheiro, Rodrigo G. Ribeiro camilalelesproj@yahoo.com.br, denisppinheiro@yahoo.com.br,
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisOtimização do Planejamento de Cargas de Dados utilizando Algoritmos Genéticos
Otimização do Planejamento de Cargas de Dados utilizando Algoritmos Genéticos Tatiana Escovedo 1, Adriano S. Koshiyama 1 e Marco Aurélio C. Pacheco 1 1 Departamento de Engenharia Elétrica Pontifícia Universidade
Leia mais- Computação Evolutiva -
- Computação Evolutiva - Prof. Dr. Cícero Garrozi DEINFO - UFRPE PPGIA@UFRPE cicerog@gmail.com Site da disciplina: http://cicerog.blogspot.com Sumário Situando a Computação Evolucionária Metáfora principal
Leia maisInteligência de Enxame: ACO
Inteligência de Enxame: ACO! Otimização colônia de formigas é uma meta-heurística: «baseada em população «inspirada no comportamento forrageiro das formigas.! Muitas espécies de formigas são quase cegas.!
Leia maisUMA HEURÍSTICA GRASP PARA O PROBLEMA ESTENDIDO DE SEQUENCIAMENTO DE CARROS
UMA HEURÍSTICA GRASP PARA O PROBLEMA ESTENDIDO DE SEQUENCIAMENTO DE CARROS Lucas Middeldorf Rizzo Universidade Federal de Minas Gerais Av. Antônio Carlos, 6627 - Pampulha - Belo Horizonte - MG CEP 31270-901
Leia maisPLANEJAMENTO DA MANUFATURA
58 FUNDIÇÃO e SERVIÇOS NOV. 2012 PLANEJAMENTO DA MANUFATURA Otimizando o planejamento de fundidos em uma linha de montagem de motores (II) O texto dá continuidade à análise do uso da simulação na otimização
Leia maisMinicurso SBSE 2012:
Campus de Ilha Solteira Faculdade de Engenharia de Ilha Solteira Departamento de Energia Elétrica Minicurso SBSE 2012: Metaheurísticas em sistemas elétricos de potência: introdução ao estudo e aplicações
Leia maisAnálise e Complexidade de Algoritmos
Análise e Complexidade de Algoritmos Uma visão de Intratabilidade, Classes P e NP - redução polinomial - NP-completos e NP-difíceis Prof. Rodrigo Rocha prof.rodrigorocha@yahoo.com http://www.bolinhabolinha.com
Leia maisDEFINIÇÃO DE PARÂMETROS NA UTILIZAÇÃO DE METAHEURÍSTICAS PARA A PROGRAMAÇÃO DE HORÁRIOS ESCOLARES
DEFINIÇÃO DE PARÂMETROS NA UTILIZAÇÃO DE METAHEURÍSTICAS PARA A PROGRAMAÇÃO DE HORÁRIOS ESCOLARES José Carlos dos Santos Ferreira 1 e Jean Eduardo Glazar 2 1 Aluno do Curso de Ciência da Computação 2 Professor
Leia maisUm Esquema de Aproximação Eficiente para o Problema do Bin Packing Unidimensional
Um Esquema de Aproximação Eficiente para o Problema do Bin Packing Unidimensional Proposta de Trabalho de Graduação Centro de Informática CIn UFPE Orientador: Ricardo Martins de Abreu Silva Aluno: Otávio
Leia mais4 Implementação e Resultados Experimentais
4 Implementação e Resultados Experimentais Com o objetivo de fazer a criação automática de visões materializadas, ou seja, prover uma solução on-the-fly para o problema de seleção de visões materializadas,
Leia mais5COP096 TeoriadaComputação
Sylvio 1 Barbon Jr barbon@uel.br 5COP096 TeoriadaComputação Aula 14 Prof. Dr. Sylvio Barbon Junior Sumário - Problemas Exponenciais - Algoritmos Exponenciais usando Tentativa e Erro - Heurísticas para
Leia maisIA Colônia de Formigas. Prof. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA Colônia de Formigas Prof. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Introdução O Experimento da Ponte Binária. Ant System Aplicado ao PCV. Elitist Ant System. Introdução Otimização colônia
Leia maisUma Heurística Gulosa para o Problema de Bin Packing Bidimensional
Uma Heurística Gulosa para o Problema de Bin Packing Bidimensional Leandro Dias Costa, Luiz da Silva Rosa e Marcelo Lisboa Rocha Departamento de Ciência da Computação Fundação UNIRG Alameda Madrid Nº 545,
Leia maisTony Ítalo Abreu Santiago
FACULDADE LOURENÇO FILHO Curso de Bacharelado em Ciência da Computação Tony Ítalo Abreu Santiago UM ALGORITMO HEURÍSTICO PARA O PROBLEMA DA ÁRVORE GERADORA MÍNIMA DE GRAU RESTRITO BASEADO NA META-HEURÍSTICA
Leia maisAplicação de algoritmos genéticos para ajuste de modelos regressores não lineares com grande número de parâmetros 1. Introdução
15 Aplicação de algoritmos genéticos para ajuste de modelos regressores não lineares com grande número de parâmetros 1 Kamila Lacerda de Almeida 2, Mariana Tito Teixeira 3, Roney Alves da Rocha 4 Resumo:
Leia maisFUNDAÇÃO DE APOIO AO ENSINO TÉCNICO DO ESTADO DO RIO DE JANEIRO FAETERJ Petrópolis Área de Extensão PLANO DE CURSO
FUNDAÇÃO DE APOIO AO ENINO TÉCNICO DO ETADO DO RIO DE JANEIRO PLANO DE CURO 1. Identificação Curso de Extensão: INTRODUÇÃO AO ITEMA INTELIGENTE Professor Regente: José Carlos Tavares da ilva Carga Horária:
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Introdução. Prof. Humberto Brandão humberto@dcc.ufmg.br
Projeto e Análise de Algoritmos Projeto de Algoritmos Introdução Prof. Humberto Brandão humberto@dcc.ufmg.br aula disponível no site: http://www.bcc.unifal-mg.edu.br/~humberto/ Universidade Federal de
Leia maisIntrodução aos Conceitos de Problemas de Transporte e Roteamento de Veículos
Introdução aos Conceitos de Problemas de Transporte e Roteamento de Veículos Alexandre da Costa 1 1 Acadêmico do Curso de Matemática - Centro de Ciências Exatas e Tecnológicas da Universidade Estadual
Leia maisOrientação a Objetos
1. Domínio e Aplicação Orientação a Objetos Um domínio é composto pelas entidades, informações e processos relacionados a um determinado contexto. Uma aplicação pode ser desenvolvida para automatizar ou
Leia maisRoteiro. Arquitetura. Tipos de Arquitetura. Questionário. Centralizado Descentralizado Hibrido
Arquitetura Roteiro Arquitetura Tipos de Arquitetura Centralizado Descentralizado Hibrido Questionário 2 Arquitetura Figura 1: Planta baixa de uma casa 3 Arquitetura Engenharia de Software A arquitetura
Leia maisClassificação: Determinístico
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Da mesma forma que sistemas os modelos de simulação podem ser classificados de várias formas. O mais usual é classificar os modelos
Leia maisALGORITMOS GENÉTICOS APLICADOS A MAPEAMENTO FÍSICO DE DNA
ALGORITMOS GENÉTICOS APLICADOS A MAPEAMENTO FÍSICO DE DNA Fábio Ribeiro Cerqueira e Renarde Bergamo Paiva Stelzer Departamento de Ciência da Computação e Informática Faculdade de de Aracruz (UNIARACRUZ)
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar
Leia maisRoteiro 2: (Planilhas Eletrônicas) - Função procv / manipulação de formulários
Roteiro 2: (Planilhas Eletrônicas) - Função procv / manipulação de formulários Objetivos Explorar funções de procura e referência; Explorar ferramentas para controle de formulários em planilhas; Importar
Leia maisSERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA
SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisUtilização da metaheurística GRASP para resolução do problema de construção de trilhos de aeronaves
Utilização da metaheurística GRASP para resolução do problema de construção de trilhos de aeronaves Alexander A. Pinto 1, Daniel G. Ramos 1, Lucídio A. Formiga 1 1 Departamento de Informática Universidade
Leia maisManejo Florestal Sustentável: Dificuldade Computacional e Otimização de Processos
Manejo Florestal Sustentável: Dificuldade Computacional e Otimização de Processos Daniella Rodrigues Bezerra 1, Rosiane de Freitas Rodrigues 12, Ulisses Silva da Cunha 3, Raimundo da Silva Barreto 12 Universidade
Leia maisSISTEMAS DE INFORMAÇÃO GERENCIAIS
SISTEMAS DE INFORMAÇÃO GERENCIAIS Aluno: Luiza Cavalcanti Marques Orientador: Silvio Hamacher Introdução A modelagem e a utilização de bancos de dados em atividades gerenciais têm sofrido um aumento significativo
Leia maisDadas a base e a altura de um triangulo, determinar sua área.
Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares
Leia maisTécnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques
Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Sidnei Alves de Araújo André Felipe Henriques Librantz
Leia maisProblema 8-Puzzle: Análise da solução usando Backtracking e Algoritmos Genéticos
Problema 8-Puzzle: Análise da solução usando e Nelson Florêncio Junior Orientador: Frederico Gadelha Guimarães Departamento de Computação UFOP 18 de agosto de 2011 Nelson Florêncio Junior (UFOP) PAA 1
Leia maisALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO
ALGORITMO HÍBRIDO PARA SISTEMAS DE RECOMENDAÇÃO UTILIZANDO FILTRAGEM COLABORATIVA E ALGORITMO GENÉTICO Renan de Oliveira Yamaguti Faculdade de Engenharia de Computação / CEATEC renan.yamaguti@terra.com.br
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas CMP1132 Processo e qualidade de software II Prof. Me. Elias Ferreira Sala: 402 E Quarta-Feira:
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro. Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br
Projeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Laboratório de Pesquisa e Desenvolvimento Universidade Federal de Alfenas versão
Leia maisVerificação de Impressões Digitais usando Algoritmos Genéticos
1. Introdução Verificação de Impressões Digitais usando Algoritmos Genéticos Matheus Giovanni Pires, Fernando Vieira Duarte, Adilson Gonzaga Escola de Engenharia de São Carlos Universidade de São Paulo
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisApostila de Fundamentos de Programação I. Prof.: André Luiz Montevecchi
Apostila de Fundamentos de Programação I Prof: André Luiz Montevecchi Introdução O mundo atual é dependente da tecnologia O uso intenso de diversos aparatos tecnológicos é parte integrante do nosso dia-a-dia
Leia maisBalanceamento de Carga
40 4. Balanceamento de Carga Pode-se entender por balanceamento de carga uma política a ser adotada para minimizar tanto a ociosidade de utilização de alguns equipamentos quanto a super utilização de outros,
Leia maisSistema de Entrega para Suporte Varejista Utilizando a Metaheurística GRASP
Sistema de Entrega para Suporte Varejista Utilizando a Metaheurística GRASP Gil Romeu A. Pereira 1, Ivairton M. Santos 1 1 Universidade Federal de Mato Grosso(UFMT) Campus Universitário do Araguaia Instituto
Leia maisAPLICAÇÃO DA METAHEURÍSTICA COLÔNIA DE FORMIGAS AO PROBLEMA DE ROTEAMENTO DE VEÍCULOS
APLICAÇÃO DA METAHEURÍSTICA COLÔNIA DE FORMIGAS AO PROBLEMA DE ROTEAMENTO DE VEÍCULOS Mirlam Moro Lombardi e Jean Eduardo Glazar Departamento de Ciência da Computação Faculdade de Aracruz Uniaracruz {mirlam,
Leia mais2. Objetivos do Sistema
Desenvolvimento de Um Programa Interpretador e Resolvedor para Máquinas de Estado Finito Adriana Postal 1, Ana Paula Fredrich 1, Cassiano Cesar Casagrande 1, Evaristo Wychoski Benfatti 1, Josué Pereira
Leia maisSimulação da Configuração de uma Rede de Sensores Sem Fio para Cobertura de uma Região
Simulação da Configuração de uma Rede de Sensores Sem Fio para Cobertura de uma Região RESUMO Este trabalho apresenta uma simulação da configuração de uma Rede de Sensores Sem Fio para cobertura de uma
Leia maisESTUDO PRELIMINAR SOBRE A ESCALABILIDADE DE UM ALGORITMO GENÉTICO PARALELIZADO COM OPENMP. Mateus Fontoura Gomes da Rosa Márcia C.
ESTUDO PRELIMINAR SOBRE A ESCALABILIDADE DE UM ALGORITMO GENÉTICO PARALELIZADO COM OPENMP Mateus Fontoura Gomes da Rosa Márcia C. Cera Roteiro Introdução Problema de Roteamento de Veículos Objetivos da
Leia maisO Problema do Troco Principio da Casa dos Pombos. > Princípios de Contagem e Enumeração Computacional 0/48
Conteúdo 1 Princípios de Contagem e Enumeração Computacional Permutações com Repetições Combinações com Repetições O Problema do Troco Principio da Casa dos Pombos > Princípios de Contagem e Enumeração
Leia mais2 Diagrama de Caso de Uso
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Caso de Uso (Use Case) Autoria:Aristófanes Corrêa
Leia maisDisciplina: Introdução à Informática Profª Érica Barcelos
Disciplina: Introdução à Informática Profª Érica Barcelos CAPÍTULO 4 1. ARQUITETURA DO COMPUTADOR- HARDWARE Todos os componentes físicos constituídos de circuitos eletrônicos interligados são chamados
Leia mais5 Mecanismo de seleção de componentes
Mecanismo de seleção de componentes 50 5 Mecanismo de seleção de componentes O Kaluana Original, apresentado em detalhes no capítulo 3 deste trabalho, é um middleware que facilita a construção de aplicações
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisExtração de Árvores de Decisão com a Ferramenta de Data Mining Weka
Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de
Leia maisPLANO DE ENSINO. ATIVIDADE SEG TER QUA QUI SEX Aulas 10-12 10-12 Atendimento 13-16 13-16 Preparação de aula 14-16 14-16
PLANO DE ENSINO 1. IDENTIFICAÇÃO Disciplina: Introdução a Otimização Combinatória Código: ICC500 Turma: CB01 URL: http://ioc-ufam.weebly.com Nº de Créditos: 4.4.0 Ano: 2015 Semestre: 1 Carga horária: 60h
Leia maisPROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software
PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às
Leia maisEXERCÍCIOS SOBRE ORIENTAÇÃO A OBJETOS
Campus Cachoeiro de Itapemirim Curso Técnico em Informática Disciplina: Análise e Projeto de Sistemas Professor: Rafael Vargas Mesquita Este exercício deve ser manuscrito e entregue na próxima aula; Valor
Leia maisArquitetura de Rede de Computadores
TCP/IP Roteamento Arquitetura de Rede de Prof. Pedro Neto Aracaju Sergipe - 2011 Ementa da Disciplina 4. Roteamento i. Máscara de Rede ii. Sub-Redes iii. Números Binários e Máscara de Sub-Rede iv. O Roteador
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia mais)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR
6LPXODomR GH6LVWHPDV )HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR #5,6. Simulador voltado para análise de risco financeiro 3RQWRV IRUWHV Fácil de usar. Funciona integrado a ferramentas já bastante conhecidas,
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisProcessos de Desenvolvimento de Software
Processos de Desenvolvimento de Software Gerenciamento de Projetos Mauro Lopes Carvalho Silva Professor EBTT DAI Departamento de Informática Campus Monte Castelo Instituto Federal de Educação Ciência e
Leia maisSobre o Professor Dr. Sylvio Barbon Junior
5COP096 Teoria da Computação Aula 1 Apresentação da Disciplina e Revisão de Conceitos Prof. Dr. Sylvio Barbon Junior 1 Sobre o Professor Dr. Sylvio Barbon Junior 5COP096 Teoria da Computação Formação:
Leia mais3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS
3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3.1 - Conceitos Básicos Entendemos como algoritmo um conjunto predeterminado e bem definido de regras
Leia maisPROBLEMA DE TRANSPORTE: MODELO E MÉTODO DE SOLUÇÃO
PROBLEMA DE TRANSPORTE: MODELO E MÉTODO DE SOLUÇÃO Luciano Pereira Magalhães - 8º - noite lpmag@hotmail.com Orientador: Prof Gustavo Campos Menezes Banca Examinadora: Prof Reinaldo Sá Fortes, Prof Eduardo
Leia maisQFD: Quality Function Deployment QFD: CASA DA QUALIDADE - PASSO A PASSO
QFD: CASA DA QUALIDADE - PASSO A PASSO 1 - INTRODUÇÃO Segundo Akao (1990), QFD é a conversão dos requisitos do consumidor em características de qualidade do produto e o desenvolvimento da qualidade de
Leia maisTabela de roteamento
Existem duas atividades que são básicas a um roteador. São elas: A determinação das melhores rotas Determinar a melhor rota é definir por qual enlace uma determinada mensagem deve ser enviada para chegar
Leia maisElbio Renato Torres Abib. Escalonamento de Tarefas Divisíveis em Redes Estrela MESTRADO. Informática DEPARTAMENTO DE INFORMÁTICA
Elbio Renato Torres Abib Escalonamento de Tarefas Divisíveis em Redes Estrela DISSERTAÇÃO DE MESTRADO DEPARTAMENTO DE INFORMÁTICA Programa de Pós graduação em Informática Rio de Janeiro Junho de 2004 Elbio
Leia maisCasos de teste semânticos. Casos de teste valorados. Determinar resultados esperados. Gerar script de teste automatizado.
1 Introdução Testes são importantes técnicas de controle da qualidade do software. Entretanto, testes tendem a ser pouco eficazes devido à inadequação das ferramentas de teste existentes [NIST, 2002].
Leia maisUM ALGORITMO BASEADO EM ITERATED LOCAL SEARCH PARA O PROBLEMA DE ROTEAMENTO DE VEÍCULOS PERIÓDICO
UM ALGORITMO BASEADO EM ITERATED LOCAL SEARCH PARA O PROBLEMA DE ROTEAMENTO DE VEÍCULOS PERIÓDICO Pablo Luiz Araujo Munhoz (UFF) pablo.munhoz@gmail.com Luiz Satoru Ochi (UFF) satoru@ic.uff.br Marcone Jamilson
Leia maisBusca Estocástica Baseada em Planejamento para Maximizar Metas em Jogos de RTS
Busca Estocástica Baseada em Planejamento para Maximizar Metas em Jogos de RTS Autor:Thiago França Naves 1, Orientador: Carlos Roberto Lopes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade
Leia maisFACULDADE DE ENGENHARIA DE COMPUTAÇÃO. PROJETO FINAL I e II PLANO DE TRABALHO <NOME DO TRABALHO> <Nome do Aluno> <Nome do Orientador>
FACULDADE DE ENGENHARIA DE COMPUTAÇÃO PROJETO FINAL I e II PLANO DE TRABALHO O Trabalho de Conclusão de Curso (TCC) a ser desenvolvido
Leia maisNotas da Aula 17 - Fundamentos de Sistemas Operacionais
Notas da Aula 17 - Fundamentos de Sistemas Operacionais 1. Gerenciamento de Memória: Introdução O gerenciamento de memória é provavelmente a tarefa mais complexa de um sistema operacional multiprogramado.
Leia maisUNIDADE 4. Introdução à Metodologia de Desenvolvimento de Sistemas
UNIDADE 4. Introdução à Metodologia de Desenvolvimento de Sistemas 4.1 Motivação Sistemas de Informação são usados em diversos níveis dentro de uma organização, apoiando a tomada de decisão; Precisam estar
Leia maisADM041 / EPR806 Sistemas de Informação
ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes
Leia mais1.1. Organização de um Sistema Computacional
1. INTRODUÇÃO 1.1. Organização de um Sistema Computacional Desde a antiguidade, o homem vem desenvolvendo dispositivos elétricoeletrônicos (hardware) que funciona com base em instruções e que são capazes
Leia maisTópicos Especiais em Informática
Tópicos Especiais em Informática RAID Prof. Ms.-Eng. Igor Sousa Faculdade Lourenço Filho 1 de outubro de 2014 igorvolt@gmail.com (FLF) Tópicos Especiais em Informática 1 de outubro de 2014 1 / 14 Introdução
Leia maisPersistência e Banco de Dados em Jogos Digitais
Persistência e Banco de Dados em Jogos Digitais Prof. Marcos Francisco Pereira da Silva Especialista em Engenharia de Software Jogos Digitais - Computação Gráfica 1 Agenda Vantagens de usar a abordagem
Leia mais