Francisco de Assis Corrêa Instituto Nacional de Pesquisas Espaciais - INPE São José dos Campos SP, Brasil fcorrea@directnet.com.br
|
|
- Benedicta Sara Ribas Camelo
- 8 Há anos
- Visualizações:
Transcrição
1 APLICAÇÃO DE RELAXAÇÃO LAGRANGEANA E DO ALGORITMO GENÉTICO CONSTRUTIVO NA SOLUÇÃO DO PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO- ALOCAÇÃO DE MÁXIMA COBERTURA Francsco de Asss Corrêa Insttuto Naconal de Pesqusas Espacas - INPE São José dos Campos SP, Brasl correa@drectnet.com.br Luz Antono Noguera Lorena Insttuto Naconal de Pesqusas Espacas - INPE São José dos Campos SP, Brasl lorena@lac.npe.br Resumo O problema de localzação de máma cobertura (MCLP) procura localzar acldades de orma a mamzar a população atendda consderando uma dada dstânca ou tempo padrão de servço. Váras etensões desse modelo têm sdo propostas para aumentar a sua aplcabldade. Dente elas, estem modelos probablstcos para localzação-alocação de máma cobertura com restrções no tempo de espera ou no comprmento da la para sstemas congestonados, consderando um ou város servdores por acldade. A proposta deste trabalho é a de resolver um modelo para um servdor por acldade por meo da relaação Lagrangeana e do Algortmo Genétco Construtvo. Os resultados dos testes obtdos nessas abordagens são apresentados e comparados. Palavras-Chaves: Problemas de Localzação; Máma Cobertura; Relaação Lagrangeana; Algortmo Genétco Construtvo. Abstract The Mamal Coverng Locaton Problem (MCLP) mamzes the populaton that has a aclty wthn a mamum travel dstance or tme. Numerous etensons have been proposed to enhance ts applcablty, lke probablstc model or the mamum coverng locaton-allocaton wth constrant n watng tme or queue length or congested systems, wth one or more servers per servce center. In ths paper we present two soluton procedures or that probablstc model, consderng one server per center, usng Lagrangan relaaton and Constructve Genetc Algorthm. The results o etensve tests on the soluton procedures are presented. Keywords: Locaton Problems; Mamal Coverng; Lagrangan Relaaton; Constructve Genetc Algorthm. 1. INTRODUÇÃO O Problema de Localzação de Máma Cobertura (MCLP) tem sdo consderavelmente tratado na lteratura desde a sua ormulação eta por Church e ReVelle (1974) [1]. Esse problema busca obter a conguração para localzar acldades que atenda o maor número de ndvíduos de uma população, consderando uma dada dstânca ou tempo padrão do ponto de demanda. Uma consderável revsão desse tema pode ser encontrada em 1
2 Hale e Moberg (2003) [7], Serra e Maranov (2004) [20] e Galvão (2004) [5]. Não se busca com este modelo atender toda a população, porém, o mámo de atendmento consderando os recursos dsponíves. Város modelos aplcados a uma grande aa de problemas são etensões dessa ormulação. Em mutos casos, essa dstânca (ou tempo) entre pontos de demanda e a acldade com a qual eles estão sendo alocados são consderados para a tratar a qualdade dos servços que são prestados a usuáros. Entretanto, quando se proeta uma rede de servços, como sstemas de saúde, bancáros ou de vendas de blhetes dstrbuídos, a localzação dos centros tem uma orte nluênca no congestonamento de cada um, e, conseqüentemente, na qualdade de seus servços. Deste modo, além de a sua localzação permtr que os usuáros cheguem ao centro em um tempo acetável, deve-se cudar também que o tempo de espera para atendmento sea o menor possível, ou que a quantdade de pessoas na la sea mínma, uma vez que estes são parâmetros mportantes na medda da qualdade deseada [13]. O congestonamento é um ator que está ntmamente lgado à qualdade de servços prestados por um determnado sstema, tas como saúde, bancáro e postal. A localzação desses centros deve ser tal que o tempo (dstânca) de deslocamento do usuáro sea acetável e, uma vez dentro do sstema, o usuáro deve permanecer em espera por atendmento o menor tempo possível. O congestonamento ocorre quando um centro não é capaz de atender, smultaneamente, a todas as solctações de servços que lhe são etas. Normalmente, os modelos tradconas que tratam desse problema adconam uma restrção de capacdade que orça a demanda por servço (normalmente constante no tempo e gual a uma méda) ser menor do que a máma capacdade do centro. Essa abordagem não consdera a natureza dnâmca do congestonamento e trata o problema de orma determnístca. Isso az com que o modelo, dependendo de como a restrção sea obtda, tenha servdores ocosos ou não tenha a capacdade de atender todas as demandas [13] [14]. Os modelos tradconas de otmzação assumem que as demandas por servços são constantes no tempo e restrtas a serem menores que a capacdade de um centro. Isso gera uma contradção, porque este uma rgorosa restrção que é aplcada a uma méda, que é ecedda 50% das vezes. Maranov e Serra (1998) [13] propuseram modelos baseados no ato de que o número de solctações de servços não é constante no tempo, mas um processo estocástco, cua estocastcdade de demanda é eplctamente consderada no trato das restrções de capacdade, que, ao nvés de lmtar o mámo da capacdade do centro, dene um lmte mínmo para a qualdade dos seus servços. Essa qualdade é reletda nos tens de tempo de espera ou quantdade de pessoas que aguardam por um atendmento. Os modelos propostos por esses pesqusadores tratam de localzar uma certa quantdade de postos de saúde, com um ou város servdores em cada, de modo que a população, à uma dstânca padrão do centro, sea servda adequadamente, sto é, que nnguém que na la por um período maor que um dado tempo lmte ou não a encontre com mas de um certo número de outros clentes, com uma probabldade maor ou gual α, denda a pror. Foram consderados os sstemas de la M/M/1 e M/M/m [11], em que a taa de chegada no centro segue a dstrbução de Posson com taa λ e o tempo de servço no centro é eponencalmente dstrbuído com taa µ, para, respectvamente, um ou város servdores. O modelo de localzação-alocação de máma cobertura consderado neste artgo o denomnado por Maranov e Serra (1998) [13] por The Queueng Mamal Coverng Locaton-Allocaton Model (QM-CLAM) e o dendo como: Localzar p centros e alocar usuáros de orma a mamzar a população coberta, onde a cobertura é denda como: a população coberta é alocada a um centro dentro de um tempo ou dstânca padrão de sua resdênca (ponto de demanda) e se um usuáro é coberto, na sua chegada ao centro, ele va esperar em uma la com no mámo b outras pessoas ou será atenddo no tempo τ, com probabldade, no mínmo, α. O propósto deste artgo é o de eamnar o Problema de Localzação-Alocação de 2
3 Máma Cobertura Probablístco proposto por Maranov e Serra (1998) [13], para um servdor por centro, e apresentar outras duas soluções: a prmera, por meo da relaação Lagrangeana e a segunda, usando o Algortmo Genétco Construtvo (AGC). O prómo capítulo descreve os modelos orgnas propostos. O capítulo 3 apresenta a solução usando a relaação Lagrangeana e AGC. O capítulo 4 mostra os resultados computaconas e o capítulo 5, as conclusões. 2. MODELO QM-CLAM O modelo tradconal de Mamum Coverng Locaton Problem (MCLP) proposto por Church e ReVelle (1974) [1] não pode ser usado para tratar as restrções de congestonamento, pos não contém varáves de alocação, o que mpede de computar as solctações de servços que chegam a um centro, e, conseqüentemente, de determnar quando ocorre um congestonamento. A modelagem matemátca proposta para o QM-CLAM o escrta como um modelo tpo p-medana, modcado para comportar as varáves de localzação e alocação, tendo como obetvo mamzar a população coberta, consderando uma determnada quantdade de centros de atendmento. Formalmente, as alocações são representadas pelas varáves bnáras, tal que ε I e ε N, onde I é o conunto dos pontos de demanda a serem alocados e N é o conunto de localzações canddatas que estão dentro de uma dstânca padrão do nó. [ ] é a matrz de alocações, com = 1, se o ponto de demanda or alocado ao centro, = 0, caso contráro. As localzações são representadas pelas varáves bnáras y, com y = 1, se o centro or seleconado, = 0, caso contráro. O parâmetro a dene a população total no ponto de demanda. Todo ponto de demanda é um potencal centro de atendmento. O QM-CLAM possu a ormulação descrta abao: Problema QM-CLAM Ma Sueto a, a y 1 P[ centro P[ tempo de espera no centro τ ] α y y, = p ter = 0,1, b pessoas na la] α N, (1) (2) (3) (4) (4a) (5) (6) A unção obetvo (1) mamza a população alocada a um centro. As restrções (2) denem que somente é possível alocar um ponto de demanda a um centro se houver um centro em. As restrções (3) mpõem que cada ponto de demanda sea alocado a, no mámo, um centro. Usam-se as restrções (4) ou (4a) para, respectvamente, tratar de quantdade de pessoas na la ou o tempo de espera. As prmeras, restrções (4), orçam que cada centro tenha no mámo b pessoas na la, com a probabldade, no mínmo, α. As segundas, restrções (4a), determnam que o tempo de espera na la em cada centro sea, no mámo, τ, com a probabldade, no mínmo, α. A restrção (5) dene a quantdade de centros a serem abertos. As restrções (6) denem as condções de ntegraldade. Para escrever a restrção (4) em uma orma tratável, assume-se que as solctações de servços de cada nó de demanda acontecem de acordo com um processo de Posson com taa. A taa λ atrbuída a um centro é denda como uma superposção de processos de Posson: 3
4 λ = I o que sgnca que se a varável or 1, o nó será alocado ao centro, e a sua correspondente taa será ncluída no cálculo de λ. Assume-se também que o tempo de servço tem uma dstrbução eponencal, com a méda µ, onde µ λ, de orma a manter o equlíbro do sstema. Utlzando-se as equações dendas para um sstema de las M/M/1 [21] e denndo o estado k como o número de usuáros no sstema (sendo atenddo e na la), o dagrama de transção de estados é mostrado na gura 1. Fgura 1 Dagrama de transção de estados A partr do sstema M/M/1, obtem-se a equação (7), que trata do mámo número de pessoas no sstema, equvalente à restrção (4), cuo desenvolvmento pode ser vsto em Maranov e Serra (1998) [13]. I µ 1 (7) b+ 2 α Da mesma reerênca, a restrção (4a), que trata do tempo mámo de espera por atendmento, é convertda na equação (8). 1 µ + ln(1 α ) (7a) I τ Com sto, pode-se obter a ormulação nal para o modelo deseado: Problema QM-CLAM v(qm-clam) = Ma a Sueto a λ λ λ λ µ µ µ µ, (1) y (2) 1 (3) I ou I b+2 µ 1 α, (para a quantdade de pessoas na la) (7) 1 µ + ln(1 α ), (para o tempo de espera) (7a) τ y = p (5) y, = 0,1, N (6), O lado dreto das equações 7 e 7a são valores constantes, calculados para µ, α, b e 4
5 τ, dendos a pror, onde µ é o tempo de servço no centro, b é a quantdade máma de pessoas na la, τ é o tempo mámo de espera na la e α é a probabldade de encontrar, no mámo, b pessoas na la ou de esperar, no mámo, um tempo τ para ser atenddo. Para eeto de smplcação serão substtuídos, respectvamente, por K µ b α e por K µτα O problema QM-CLAM pertence à classe dos problemas NP-Completos [19]. Sotwares comercas podem resolver algumas pequenas nstâncas desse problema. Entretanto, o tempo de computação se torna nvável para problemas de tamanhos razoáves. Por sso, buscam-se soluções alternatvas ecentes para ormulações desse tpo. No prómo capítulo duas abordagens são apresentadas: uma baseada na aplcação da relaação Lagrangeana com o algortmo de otmzação por subgradentes, e outra, por meo do Algortmo Genétco Construtvo. 3. SOLUÇÕES PROPOSTAS 3.1. RELAXAÇÃO LAGRANGEANA A relaação Lagrangeana tem sdo aplcada na solução de város problemas de otmzação combnatóra, nclundo o problema do caero vaante, problemas de localzação, o problema de atrbução generalzado, de recobrmento e partconamento de conuntos e problemas de roteamento [3]. Essa relaação é obtda multplcando um conunto de restrções por um vetor λ de multplcadores de Lagrange, adconando-se o produto à unção obetvo. O desenvolvmento dessa relaação para o Problema de Localzação de Máma Cobertura pode ser vsto em Daskn (1995) [2]. Para o problema (QM-CLAM), relaando as restrções (3), tem-se: V(L λ QM-CLAM) = Ma a λ 1, que desenvolvdo, obtém-se: Problema L λ QM-CLAM: V(L λ QM-CLAM) = Ma ( a λ ) + Sueto a (2), (5), (6) e (7) ou (7a). Consderando mplctamente a restrção (5), o problema (L λ QM-CLAM) pode ser resolvdo decompondo-o em m problemas da mochla 0-1 [12] [19]. As restrções (2) podem ser ncorporadas nas restrções de capacdade (7) e (7a) [16], cando: I I 5 λ Kµ α y, (9) b Kµτα y (9a) Assm, o problema orgnal pode ser reescrto com um conunto de subproblemas: Para = 1, 2,, I, v(knap ) = Ma ( a λ ) (8) Sueto a: ou I I I Kµ bα, (9) Kµτα (9a) = 0,1, N (10),
6 Cada problema é resolvdo usando o códgo Horowtz e Sahn [15]. Esse códgo oereceu bons resultados, embora tenha sdo desenvolvdo para problemas nteros de mochla. Sea J o conunto dos p maores v(knap ), I. O valor da relaação Lagrangeana é dado por: v(l λ QM-CLAM) = v( Knap ) + J I λ A otmzação do dual Lagrangeano é obtda por meo do algortmo de subgradentes [12] [19]. Dado um vetor de multplcadores (λ) 0, a seqüênca de multplcadores é obtda por: λ k ( 0, λ + θk ( 1 ) = Ma, k + 1 λ onde λ é a solução ótma do problema L λ QM-CLAM com multplcadores (λ) k e θ k é um escalar postvo dendo por: θ π ( v( QM CLAM ) lb), 2 1 = λ onde v(qm-clam) é o melhor valor do lmtante superor, lb é o melhor valor do lmtante neror (solução vável de QM-CLAM) e π é o parâmetro de controle dendo por Held e Karp (1970) [8]. O valor de π ncal é 2 e é dvddo à metade se o valor de v(qm-clam) não dmnu por 30 terações sucessvas. Os crtéros de parada mas utlzados na lteratura e aplcados na resolução dos problemas deste artgo são: a) π 0,0005 b) v(qm-clam) - lb < 1 λ c) 1 2 = 0 d) Quantdade de terações = 500. As soluções λ obtdas não são necessaramente váves, porém o conunto J ndca as acldades que podem ser usadas para se obter soluções váves. Essas soluções prmas oram obtdas por meo do algortmo MTHG, de Martello e Toth (1990) [15], e melhoradas pelo algortmo descrto em Perera e Lorena (2001) [18]. O melhor valor vável a cada teração do método subgradentes é usado em θ como lb ALGORITMO GENÉTICO CONSTRUTIVO O algortmo genétco o concebdo por Holland, em 1960, e apereçoado nas décadas de 1960 e 1970, por ele própro e por seus colegas da Unversdade de Mchgan. Város renamentos do método surgram nas décadas seguntes. Alguns deles e normações báscas podem ser vstas em Goldberg (1989) [6] e em Lacerda (1999) [10]. O Algortmo Genétco Construtvo (AGC) [4] trabalha com uma população ncal composta por esquemas, sto é, uma população de soluções canddatas parcas ou ncompletas, que servrão de base para a construção de uma população com soluções melhores completas (chamadas estruturas), ao longo do processo evolutvo. O AGC possu os operadores tradconas de seleção, cruzamento e mutação, e dere dos algortmos tradconas na orma de avalar os esquemas (avalação-g), no tratamento de uma população de tamanho varável e na possbldade de usar heurístcas para denr a unção de avalação da aptdão dos ndvíduos [17]. 6
7 A avalação-g trata de uma dupla avalação de cada ndvíduo S k e, no caso da mamzação, o valor de relete a unção obetvo, e o valor de g é calculado a partr de uma heurístca tal que g(s k ) (S k ). Essa avalação é aplcada da mesma orma para qualquer tpo de ndvíduo S k, assm consderados os esquemas e estruturas. Um problema a ser modelado em ACG deve ser tratado como um problema de otmzação b-obetvo (PBO): mn { g( Sk ) ( Sk )} ma { ( Sk )} Sueto a g( Sk ) ( Sk ) Para qualquer problema de otmzação, o PBO é ormulado da mesma orma: mamzar a unção obetvo e mnmzar o ntervalo (-g). O processo evolutvo consdera um lmar de reeção adaptatvo que contempla ambos os obetvos do PBO, que é calculado a partr de um rankng δ atrbuído a cada ndvíduo da população, dado pela órmula: d. G δ = ma d. [ g( S k ) ( S k )] [ G g( S )] ma k onde d [0, 1] e Gma é um lmtante superor, cuo valor é 10% acma da soma da população de todos os pontos de demanda. É dendo, anda, o parâmetro α, que está relaconado com o tempo de evolução da população e serve para elmnar os ndvíduos mal adaptados (δ(s k ) α). Consderando-se que os bons esquemas precsam ser preservados para serem recombnados, α é ncado com o valor 0 (zero) e é lentamente ncrementado, de geração em geração. Desde que são crados, os esquemas e estruturas recebem os seus correspondentes valores de rankng (δ), que são comparados com o parâmetro α. Todo ndvíduo com δ(s k ) α é consderado mal adaptado e é elmnado da população. Conseqüentemente, os ndvíduos com maores δ são os melhores em relação ao PBO, sobrevvem por mas gerações e se reproduzem mas. Com sso, a população no tempo de evolução α (P α ) possu tamanho dnâmco de acordo com o valor de α, podendo ser esvazada durante o processo. Sempre o melhor ndvíduo de cada geração é guardado e dene a melhor solução encontrada. O operador de seleção escolhe duas estruturas para o cruzamento. A prmera, denomnada base, é obtda dos 20% melhores ndvíduos da população. A segunda, denomnada gua, é seleconada na população total. O operador de cruzamento compara essas duas estruturas em posções correspondentes, gerando uma nova estrutura lha. Na mplementação do AGC, oram utlzados os operadores de seleção e de cruzamento sugerdos em Furtado (1998) [4] para o problema das p-medanas. O operador de mutação az uma troca de um centro com um vznho que não tem a sua demanda atendda por alguém. Isso aumenta a chance de todos os pontos de demanda serem centros. As restrções apresentadas na ormulação do problema oram tratadas na avalação da unção obetvo ou na própra denção do ndvíduo, que utlza o dígto 1 para o vértce que representa um centro (no mámo p centros), 2 para o vértce que representa um ponto de demanda e 3 para o vértce curnga. Este últmo é um ponto anda não dendo para o problema, que poderá tornar-se um centro ou um ponto de demanda durante a evolução do processo. A gura 2 mostra um possível ndvíduo para um problema com quatro centros e trnta nós Fgura 2 Possível ndvíduo para um problema com quatro centros e trnta nós 7
8 4. EXPERIÊNCIA COMPUTACIONAL A heurístca Lagrangena e o AGC oram testados na rede de 30 vértces, ornecda em Maranov e Serra (1998) [13], e em uma de 324 vértces, obtdos de uma base de dados geográcos da cdade de São José dos Campos-SP, acrescda da população ctíca em cada ponto de demanda. Esta últma está dsponível em Város problemas oram montados, varando-se os parâmetros p, b, µ, α e τ. Os resultados dessas duas abordagens oram comparados aos obtdos pelo uso do sotware comercal CPLEX 7.5 [9]. Os valores apresentados no artgo de Maranov e Serra (1998) [13] oram obtdos pelo uso do mesmo sotware comercal, porém na versão 3.0. A nova versão, 7.5, mostrou melhores resultados. Para a mplementação do problema de máma cobertura, os centros de servços oram consderados postos de saúde, com um médco em cada centro. Cada ponto de demanda é um potencal centro de atendmento e as dstâncas são eucldanas. Para os problemas com 30 pontos oram consderados: rao de cobertura gual a 1,5 mlhas, tempo de atendmento gual a 20 mn; taa de chamada gual a 0,015 população do ponto de demanda para as restrções do comprmento da la e 0,006 população do ponto de demanda para as restrções do tempo de espera na la. Para os problemas com 324 pontos consderou-se: rao de cobertura gual a 250m, tempo de atendmento gual a 15 mn; taa de chamada gual a 0,010 população do ponto de demanda, tanto para as restrções do comprmento da la, como para as restrções do tempo de espera. As tabelas 1 e 2 mostram os resultados obtdos na avalação da unção obetvo por todos os métodos. Os valores de Gap Cple e Gap Lag guas a zero denem que o valor ótmo o obtdo para o respectvo método. Esses valores são calculados por: 100*(Lmte Superor Lmte Ineror)/(Lmte Ineror), e ornece, em porcentagem, o gap entre esses lmtantes. Os nomes dos problemas oram codcados do segunte modo: quantdade de pontos, quantdade de centros, tpo de restrção (0 para a quantdade de pessoas na la e 1 para o tempo de espera), quantdade de pessoas na la ou tempo de espera, e probabldade. Eemplo: 324_20_0_2_95, que sgnca 324 pontos, 20 centros, restrção para a quantdade de pessoas na la, mámo de 2 pessoas na la com probabldade, no mínmo, de 95%. Os problemas com 324 pontos oram resolvdos em um computador Pentum IV 3GHz com 1GB RAM, e os de 30 pontos, em uma máquna Pentum III 800MHz com 384 MB RAM. Os programas para o aconamento do CPLEX e para a relaação Lagrangeana oram codcados em C++ e o AGC, em Obect Pascal. As soluções encontradas para o AGC são uma méda de 05 (cnco) eecuções. O tempo para a obtenção das soluções do CPLEX o lmtado em 2 horas (7200s). Os valores do campo Desvo reletem o erro relatvo da solução méda do AGC em relação à melhor solução prmal encontrada e é calculada pela órmula: Desvo = ( Ma( SoluçãoCple, Lb da relaação Lagrangeana) Solução méda do AGC) Ma( SoluçãoCple, Lb da relaação Lagrangeana) Portanto, os valores negatvos do desvo ndcam que a solução méda do AGC o melhor do que as demas. A tabela 1 compara os métodos utlzados em 24 problemas em uma rede de 324 pontos. As colunas são dvdadas em quatro classes: o nome do problema, a solução do CPLEX, a solução da relaação Lagrangeana e a do AGC. Na coluna reerente ao CPLEX são ornecdos: a solução ntera vável e o gap obtdos do CPLEX, com o tempo de todos os problemas lmtados em 7200s, eceto para os problemas marcados com um *, que dene uma parada na eecução por alta de memóra. Na coluna reerente à relaação Lagrangeana são ornecdos os lmtantes neror (Lb) e superor (Ub) com o gap entre eles e o tempo de eecução. Os resultados do AGC são apresentados com a melhor solução, o valor médo para 8
9 cnco eecuções de cada problema e o desvo. Para cada problema, o valor em negrto mostra a melhor solução. De modo geral, a relaação Lagrangeana apresentou melhores resultados do que o CPLEX em um tempo computaconalmente menor. O AGC orneceu melhores resultados em 18 problemas, 75%, em tempos bastante compettvos em relação às demas soluções. Problema CPLEX Relaação Lagrangeana AGC Solução Gap Cple (%) Lb Ub Gap Lag (%) Tempo (s) Melhor solução Solução méda 9 Tempo (s) Desvo % 324_10_0_0_ , , ,61 0,23 324_10_0_1_ * 0, , ,22 0,13 324_10_0_2_ , , ,12 0,46 324_10_0_0_ , , ,85 0,28 324_10_0_1_ , , ,82-0,03 324_10_0_2_ , , ,11 0,09 324_20_0_0_ , , ,72-0,75 324_20_0_1_ , , ,19 0,22 324_20_0_2_ , , ,18-0,24 324_20_0_0_ , , ,48 0,02 324_20_0_1_ , , ,27 0,44 324_20_0_2_ * 6, , ,65 0,14 324_10_1_40_ , , ,58 0,26 324_10_1_41_ * 2, , ,62-0,01 324_10_1_42_ , , ,45 0,19 324_10_1_48_ , , ,14 0,20 324_10_1_49_ , , ,21 0,42 324_10_1_50_ , , ,43 0,21 324_20_1_40_ * 4, , ,82 0,28 324_20_1_41_ * 5, , ,35 0,16 324_20_1_42_ * 1, , ,87-0,92 324_20_1_48_ , , ,71 0,51 324_20_1_49_ * 4, , ,10-0,28 324_20_1_50_ , , ,63 0,28 Tabela 1 Comparação entre os resultados para a rede de 324 nós A tabela 2 compara os métodos utlzados para uma rede de 30 pontos em 55 problemas. As colunas também são dvddas nas mesmas quatro classes, porém a prmera contém um tem a mas, que mostra o tempo de eecução do CPLEX, anda lmtado em 7200s. Város valores ótmos oram encontrados em todos os métodos. Em 36 casos, cerca de 65%, todos os métodos encontraram os mesmos valores para a solução. Apesar de problemas pequenos, com poucos pontos, em 27 casos, cerca de 49%, o CPLEX não encontrou o valor ótmo no tempo lmte estpulado. Dentre esses, 17 casos, cerca de 31%, a relaação Lagrangeana encontrou o valor ótmo em poucos segundos. O AGC contnua ornecendo bons resultados em tempos bastante compettvos em relação às demas soluções. Para cada problema, o valor em negrto mostra a melhor solução. Problema CPLEX Relaação Lagrangeana AGC Solução Gap (%) Tempo (s) Lb Ub Gap (%) Tempo (s) Melhor solução Solução méda Tempo (s) Desvo % 30_2_0_0_ , ,29 0,00 30_3_0_0_ , ,64 0,00 30_4_0_0_ , ,12 0,00 30_2_0_1_ , ,39 0,20 30_3_0_1_ , ,97 0,00 30_4_0_1_ ,28 0,00 30_2_0_2_ , ,57 0,00 30_3_0_2_ , ,85 0,00 30_4_0_2_ ,32 0,00 30_2_0_0_ ,74 0,00 30_3_0_0_ ,10 0,00
10 30_4_0_0_ , ,68 0,00 30_5_0_0_ , , ,15 0,00 30_6_0_0_ , ,40 0,30 30_2_0_1_ , ,21 0,00 30_3_0_1_ , ,57 0,57 30_4_0_1_ , ,32 0,00 30_5_0_1_ ,03 0,00 30_2_0_2_ , ,29 0,18 30_3_0_2_ , ,92 0,00 30_4_0_2_ ,09 0,00 30_3_1_48_ , ,07 0,00 30_4_1_48_ , ,49 0,00 30_5_1_48_ , ,50 0,42 30_6_1_48_ , ,69 1,39 30_7_1_48_ , , ,15 1,61 30_8_1_48_ , ,36 0,00 30_3_1_49_ , ,09 0,00 30_4_1_49_ , ,53 0,07 30_5_1_49_ , , ,10 0,28 30_6_1_49_ , , ,04 0,23 30_7_1_49_ , , ,35 0,40 30_3_1_50_ , ,46 0,00 30_4_1_50_ , ,95 0,05 30_5_1_50_ , ,08 0,00 30_6_1_50_ , ,60 0,00 30_7_1_50_ , ,01 0,00 30_2_1_40_ , ,09 0,66 30_3_1_40_ , , ,11 0,87 30_4_1_40_ , , ,38 0,82 30_5_1_40_ , , ,65 1,64 30_6_1_40_ , , ,02 0,00 30_7_1_40_ , ,35 0,00 30_8_1_40_ , ,94 0,00 30_2_1_41_ ,19 0,00 30_3_1_41_ , ,16 0,30 30_4_1_41_ , ,45 0,28 30_5_1_41_ , ,00 0,45 30_6_1_41_ , , ,61 1,01 30_7_1_41_ , ,89 0,37 30_8_1_41_ ,06 0,00 30_2_1_42_ , ,89 0,00 30_3_1_42_ , ,29 0,00 30_4_1_42_ , ,81 0,00 30_5_1_42_ , ,19 0,00 5. CONCLUSÃO Tabela 2 Comparação entre os resultados para a rede de 30 nós Este trabalho apresentou uma comparação entre soluções para uma ormulação encontrada na lteratura para o Problema Probablístco de Localzação-Alocação de Máma Cobertura. Os resultados obtdos mostram que as abordagens da relaação Lagrangeana e AGC são compettvas para a resolução desse problema, em tempos computaconas razoáves. Para váras nstâncas de 30 nós, os valores ótmos oram encontrados. Portanto, esses resultados valdam a aplcação dessas abordagens para o QM-CLAM. 6. REFERÊNCIAS BIBLIOGRÁFICAS [1] Church, R. L.; ReVelle, C. Mamal coverng locaton problem, Papers o the Regonal Scece Assocaton, v. 32, p , [2] Daskn, M. S. Network and dscrete locaton: models, algorthms and applcatons. New York, NY: John Wley & Sons, Inc,
11 [3] Espeo, L. G. A.; Galvão, R. D. O uso das relaações Lagrangeana e Surrogate em problemas de programação ntera. Pesqusa Operatonal, v. 22, n. 3, p , [4] Furtado, J. C. Algortmos genétcos construtvos na otmzação de problemas combnatoras de agrupamentos p. Tese (Doutorado em Computação Aplcada) Insttuto Naconal de Pesqusas Espacas, São José dos Campos [5] Galvão, R. D. Uncapactated aclty locaton problems: contrbutons, Pesqusa Operatonal, v. 24, p. 7-38, [6] Goldberg, D. E. Genetc algorthms n search, optmzaton and machne learnng. Readng, MA: Addson-Wesley, [7] Hale, T.S.; Moberg, C.R. Locaton scence revew, Annals o Operatons Research, v. 123, p , [8] Held, M.; Karp, R.M. The Travelng Salesman Problem and Mnmum Spannng Trees, Operatons Research, v. 18, p , [9] ILOG CPLEX 7.5 Reerence Manual 7.5v. 610p. Copyrght by ILOG, France, [10] Lacerda, E.G.M; de Carvalho, A.C.P.L.F. Introdução aos algorítmos genétcos. In:XIX Congresso Naconal da Socedade Braslera de Computação, 19., Ro de Janero. Anas v II, p [11] Larson, R. C.; Odon, A. R. Urban operatons research. Englewood Cls, N.J: Prentce Hall, [12] Lorena, L.A.N.; Senne, E.L.F. Local search heurstcs or capactaded p-medan problems. Networks and Spatal Economcs, v. 3, p , [13] Maranov, V.; Serra, D. Probablstc, mamal coverng locaton-allocaton models or congested systems, Journal o Regonal Scence, v. 38, n. 3, p , [14] Maranov, V.; Serra, D. Herarchcal locaton-allocaton models or congested systems, European Journal o Operatonal Research, v. 135, p , [15] Martello, S.,; Toth, P. Knapsack Problems Algorthms and computer mplementatons. Chchester, West Susse: John Wley & Sons Ltd, [16] Murray, A. L.; Gerrard, R. A. Capactated servce and regonal constrants n locatonallocaton modelng. Locaton Servce, v. 5, p , [17] Olvera, A. C. M. Algortmos evolutvos híbrdos com detecção de regões promssoras em espaços de busca contínuos e dscretos p. Tese (Doutorado em Computação Aplcada) Insttuto Naconal de Pesqusas Espacas, São José dos Campos [18] Perera, M. A.; Lorena, L.A.N. A heurístca Lagrangeana/Surrogate aplcada ao problema de localzação de máma cobertura. In: Smpóso Braslero de Pesqusa Operaconal (SBPO), 2001, Campos do Jordão. Anas p [19] Prkul, H.; Schllng, D. A. The mamal coverng locaton problem wth capactes on total workload, Management Scence, v. 37, n 2, p , [20] Serra, D.; Maranov, V. New trends n publc aclty locaton modelng, Unverstat Pompeu Fabra Economcs and Busness Workng Paper, n 755, Dsponível em < Acesso em 16 Nov [21] Wol, R. Sthochastc modelng and the theory o queues. Englewood Cls, NJ: Prentce-Hall,
Francisco de Assis Corrêa Instituto Nacional de Pesquisas Espaciais - INPE São José dos Campos SP, Brasil
APLICAÇÃO DA RELAXAÇÃO LAGRANGEANA E DO ALGORITMO GENÉTICO CONSTRUTIVO NA SOLUÇÃO DO PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO-ALOCAÇÃO DE MÁXIMA COBERTURA Francsco de Asss Corrêa Insttuto Naconal de Pesqusas
Leia maisANÁLISE DE MODELOS MATEMÁTICOS PARA O PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO- ALOCAÇÃO DE MÁXIMA COBERTURA.
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO A Engenhara de Produção e o Desenvolvmento Sustentável: Integrando Tecnologa e Gestão. Salvador, BA, Brasl, 06 a 09 de outubro de 2009 ANÁLISE DE MODELOS
Leia maisPROGRAMAÇÃO DIÁRIA DE IMAGENS DE UM SATÉLITE DE OBSERVAÇÃO: UMA FORMULAÇÃO REDUZIDA
PROGRAMAÇÃO DIÁRIA DE IMAGENS DE UM SATÉLITE DE OBSERVAÇÃO: UMA FORMULAÇÃO REDUZIDA Glaydston Mattos Rbero 1,2 e Luz Antono Noguera Lorena 2 1 Departamento de Cênca da Computação e Informátca Faculdade
Leia maisAs tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.
1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação
Leia maisMODELOS DE LOCALIZAÇÃO NA SELEÇÃO DE RESERVAS PARA CONSERVAÇÃO DE ESPÉCIES
MODELOS DE LOCALIZAÇÃO NA SELEÇÃO DE RESERVAS PARA CONSERVAÇÃO DE ESPÉCIES Marcelo Gonçalves Narcso CNPTIA EMBRAPA narcso@cnpta.embrapa.br Luz Antono Noguera Lorena lorena@lac.npe.br LAC - Laboratóro Assocado
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisCADERNOS DO IME Série Estatística
CADERNOS DO IME Sére Estatístca ANÁLISE DE MODELOS MATEMÁTICOS PARA O PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO- ALOCAÇÃO DE MÁXIMA COBERTURA Vnícus Morera Pontn Unversdade Federal do Espírto Santo (CEUNES/UFES)
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisOtimização da localização das bases de ambulâncias e do dimensionamento das suas regiões de cobertura em rodovias.
Otmzação da localzação das bases de ambulâncas e do dmensonamento das suas regões de cobertura em rodovas. Ana Paula Iannon Renaldo Morabto Departamento de Engenhara de Produção Unversdade Federal de São
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisUM NOVO ALGORITMO GENÉTICO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE
Unversdade Estadual de Campnas Insttuto de Matemátca, Estatístca e Computação Centífca Departamento de Matemátca Aplcada DISSERTAÇÃO DE MESTRADO UM NOVO ALGORITMO GENÉTICO PARA A OTIMIZAÇÃO DE CARTEIRAS
Leia maisTRABALHADORES COM DEFICIÊNCIAS EM LINHAS DE PRODUÇÃO: MODELOS, RESULTADOS E DISCUSSÕES 1
XIV ELAVIO El Fuerte Snaloa Méxco 9-14 de agosto de 2009 TRABALHADORES COM DEFICIÊNCIAS EM LINHAS DE PRODUÇÃO: MODELOS RESULTADOS E DISCUSSÕES 1 Mayron César de O. Morera Lana Mara R. Santos Alysson M.
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisCLUSTERING SEARCH APLICADO AO PROBLEMA DE ALOCAÇÃO DE BERÇOS
CLUSTERING SEARCH APLICADO AO PROBLEMA DE ALOCAÇÃO DE BERÇOS Rudne Martns de Olvera Insttuto Naconal de Pesqusas Espacas - INPE rudmart@gmal.com Geraldo Regs Maur Unversdade Federal do Espírto Santo -
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisFUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES
FUNÇÃO NO R PARA OBTENÇÃO DO DESENHO D-ÓTIMO EM MODELOS DE MISTURAS COM RESTRIÇÕES Edmlson Rodrgues Pnto Leandro Alves Perera Faculdade de Matemátca Faculdade de Matemátca Unversdade Federal de Uberlânda
Leia maisMODELO DE FILA HIPERCUBO COM MÚLTIPLO DESPACHO E BACKUP PARCIAL PARA ANÁLISE DE SISTEMAS DE ATENDIMENTO MÉDICO EMERGENCIAIS EM RODOVIAS
versão mpressa ISSN 00-7438 / versão onlne ISSN 678-542 MODELO DE FILA HIPERCUBO COM MÚLTIPLO DESPACHO E BACKUP PARCIAL PARA ANÁLISE DE SISTEMAS DE ATENDIMENTO MÉDICO EMERGENCIAIS EM RODOVIAS Ana Paula
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
Leia maisMODELO DE FILA HIPERCUBO COM MÚLTIPLO DESPACHO E BACKUP PARCIAL PARA ANÁLISE DE SISTEMAS DE ATENDIMENTO MÉDICO EMERGENCIAIS EM RODOVIAS
versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-5142 MODELO DE FILA HIPERCUBO COM MÚLTIPLO DESPACHO E BACKUP PARCIAL PARA ANÁLISE DE SISTEMAS DE ATENDIMENTO MÉDICO EMERGENCIAIS EM RODOVIAS Ana Paula
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisSCATTER SEARCH APLICADO AO PROBLEMA DE OTIMIZAÇÃO DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& SCATTER SEARCH APLICADO AO PROBLEMA DE OTIMIZAÇÃO
Leia maisUM MODELO DE ALOCAÇÃO DINÂMICA DE CAMINHÕES VISANDO AO ATENDIMENTO DE METAS DE PRODUÇÃO E QUALIDADE
UM MODELO DE ALOCAÇÃO DINÂMICA DE CAMINHÕES VISANDO AO ATENDIMENTO DE METAS DE PRODUÇÃO E QUALIDADE RESUMO Felppe Perera da Costa, PPGEM/UFOP, Mestrando. felppe@mneral.em.ufop.br Marcone Jamlson Fretas
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00 Ro de Janero/RJ UM MODELO DE LOCALIZAÇÃO HIERÁRQUICO CAPACITADO Lus Gonzalo Acosta Espeo COPPE/Unversdade Federal do Ro de Janero C.P.
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisUM ALGORITMO EXATO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE
UM ALGORITMO EXATO PARA A OTIMIZAÇÃO DE CARTEIRAS DE INVESTIMENTO COM RESTRIÇÕES DE CARDINALIDADE Dssertação de mestrado em matemátca aplcada fnancada pelo CNPq IMECC - UNICAMP Pedro Ferraz Vllela Prof.
Leia maisUM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO
Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Paula Marana dos Santos (UFV) paula-maranna@hotmal.com
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisA RELAXAÇÃO LAGRANGEANA/SURROGATE E O MÉTODO DE GERAÇÃO DE COLUNAS: NOVOS LIMITANTES E NOVAS COLUNAS
A RELAXAÇÃO LAGRANGEANA/SURROGATE E O MÉTODO DE GERAÇÃO DE COLUNAS: NOVOS LIMITANTES E NOVAS COLUNAS Luz A. N. Lorena* Laboratóro Assocado de Computação e Matemátca Aplcada LAC Insttuto Naconal de Pesqusas
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisModelos de Localização de Ambulâncias
Modelos de Localzação de Abulâncas Ana Paula Slva Fgueredo Luz Antono Noguera Lorena Solon Venânco de Carvalho LAC Laboratóro Assocado de Coputação e Mateátca Aplcada INPE - Insttuto Naconal de Pesqusas
Leia maisLocalização. Perspectiva histórica
Localzação Decsões de localzação envolvem determnar : Quantas facldades (tas como: fábrcas, portos, depóstos, armazéns, centros de servço) deve a companha possur? De que tamanho e onde devem estar elas
Leia maisUMA ABORDAGEM NEURO-IMUNE PARA A SOLUÇÃO DO PROBLEMA DE MÚLTIPLOS CAIXEIROS VIAJANTES
UMA ABORDAGEM NEURO-IMUNE PARA A SOLUÇÃO DO PROBLEMA DE MÚLTIPLOS CAIXEIROS VIAANTES THIAGO A. S. MASUTTI, LEANDRO N. DE CASTRO Laboratóro de Sstemas Intelgentes, Programa de Mestrado em Informátca Unversdade
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisMétodos numéricos para o cálculo de sistemas de equações não lineares
Métodos numércos para o cálculo de sstemas de equações não lneares Introdução Um sstema de equações não lneares é um sstema consttuído por combnação de unções alébrcas e unções transcendentes tas como
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia mais1 Princípios da entropia e da energia
1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção
Leia maisSEQÜENCIAMENTO DE TAREFAS COM MÁQUINAS PARALELAS, PERMITINDO ATRASOS E COM TEMPOS DE PREPARAÇÃO DE MÁQUINA DEPENDENTES DA SEQÜÊNCIA.
A pesqusa Operaconal e os Recursos Renováves a 7 de novembro de, Natal-RN SEQÜENCIAMENTO DE TAREFAS COM MÁQUINAS PARALELAS, PERMITINDO ATRASOS E COM TEMPOS DE PREPARAÇÃO DE MÁQUINA DEPENDENTES DA SEQÜÊNCIA.
Leia maisProbabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições
Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para
Leia maisPARALLEL ITERATED LOCAL SEARCH APLICADO AO PLANEJAMENTO OPERACIONAL DE LAVRA
PARALLEL ITERATED LOCAL SEARCH APLICADO AO PLANEJAMENTO OPERACIONAL DE LAVRA Sabr Rbas, Igor Machado Coelho Marcone Jamlson Fretas Souza, Davd Menott Unversdade Federal de Ouro Preto Departamento de Cênca
Leia maisResumos Numéricos de Distribuições
Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas
Leia maisO migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial
O mgrante de retorno na Regão Norte do Brasl: Uma aplcação de Regressão Logístca Multnomal 1. Introdução Olavo da Gama Santos 1 Marnalva Cardoso Macel 2 Obede Rodrgues Cardoso 3 Por mgrante de retorno,
Leia maisESPELHOS E LENTES ESPELHOS PLANOS
ESPELHOS E LENTES 1 Embora para os povos prmtvos os espelhos tvessem propredades mágcas, orgem de lendas e crendces que estão presentes até hoje, para a físca são apenas superfíces poldas que produzem
Leia maisLista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.
Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Insttuto de Físca de São Carlos Laboratóro de Eletrcdade e Magnetsmo: Transferênca de Potênca em Crcutos de Transferênca de Potênca em Crcutos de Nesse prátca, estudaremos a potênca dsspada numa resstênca
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisOtimização de Custos de Transporte e Tributários em um Problema de Distribuição Nacional de Gás
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN Otmzação de ustos de Transporte e Trbutáros em um Problema de Dstrbução Naconal de Gás Fernanda Hamacher 1, Fernanda Menezes
Leia maisOTIMIZAÇÃO DO FLUXO REVERSO DE PNEUS INSERVÍVEIS ATRAVÉS DE UM MODELO DE LOCALIZAÇÃO DE FACILIDADES: UM ESTUDO DE CASO
OTIMIZAÇÃO DO FLUXO REVERSO DE PNEUS INSERVÍVEIS ATRAVÉS DE UM MODELO DE LOCALIZAÇÃO DE FACILIDADES: UM ESTUDO DE CASO Felpe Mendonca Gurgel Bandera (UFERSA) felpembandera@hotmal.com Breno Barros Telles
Leia maisAplicação do Método de Decomposição de Benders para o Problema de Carregamento de Paletes do Produtor
Aplcação do Método de Decomposção de Benders para o roblema de Carregamento de Aplcação do Método de Decomposção de Benders para o roblema de Carregamento de Ana Gabrela Rocha Departamento de Engenhara
Leia maisENFRENTANDO OBSTÁCULOS EPISTEMOLÓGICOS COM O GEOGEBRA
ENFRENTANDO OBSTÁCULOS EPISTEMOLÓGICOS COM O GEOGEBRA André Luz Souza Slva IFRJ Andrelsslva@globo.com Vlmar Gomes da Fonseca IFRJ vlmar.onseca@rj.edu.br Wallace Vallory Nunes IFRJ wallace.nunes@rj.edu.br
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia maisAlgoritmo de Otimização para o Problema de Roteamento de Veículos no Transporte Conjunto de Cargas e de Passageiros
Programa de Pós-Graduação em Engenhara Elétrca Centro de Pesqusa e Desenolmento em Engenhara Elétrca Escola de Engenhara da Unersdade Federal de Mnas Geras Algortmo de Otmzação para o Problema de Roteamento
Leia maisFísica. Física Módulo 1 Vetores, escalares e movimento em 2-D
Físca Módulo 1 Vetores, escalares e movmento em 2-D Vetores, Escalares... O que são? Para que servem? Por que aprender? Escalar Defnção: Escalar Grandea sem dreção assocada. Eemplos: Massa de uma bola,
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisTrabalho e Energia. Definimos o trabalho W realizado pela força sobre uma partícula como o produto escalar da força pelo deslocamento.
Trabalho e Energa Podemos denr trabalho como a capacdade de produzr energa. Se uma orça eecutou um trabalho sobre um corpo ele aumentou a energa desse corpo de. 1 OBS: Quando estudamos vetores vmos que
Leia maisPLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS
PLANEJAMENTO DE EXPERIMENTOS E OTIMIZAÇÃO DE SISTEMAS MISTOS Smone P. Saramago e Valder Steffen Jr UFU, Unversdade Federal de Uberlânda, Curso de Engenhara Mecânca Av. João Naves de Ávla, 2160, Santa Mônca,
Leia mais5 Problema de planejamento de novas redes de telecomunicações
Problema de planejamento de novas redes de telecomuncações O Problema de Planejamento de Novas Redes de Telecomuncações (PPNRT) consste em atender um conjunto de clentes com demandas dferentes que devem
Leia maisUMA ABORDAGEM IMUNOLÓGICA APLICADA AO PROBLEMA DE ALOCAÇÃO ÓTIMA DE BANCO DE CAPACITORES EM SISTEMAS DE DISTRIBUIÇÃO RADIAL
UMA ABORDAGEM IMUNOLÓGICA APLICADA AO PROBLEMA DE ALOCAÇÃO ÓTIMA DE BANCO DE CAPACITORES EM SISTEMAS DE DISTRIBUIÇÃO RADIAL Rosana Sate Taehara DEX/CEUL/UFMS Av. Ranulpho Marques Leal, 3484 CP 21 Três
Leia maisNesse circuito, os dados indicam que a diferença de potencial entre os pontos X e Y, em volts, é a) 3,3 c) 10 e) 18 b) 6,0 d) 12.
Aprmorando os Conhecmentos de Eletrcdade Lsta 7 Assocação de esstores Prof.: Célo Normando. (UNIFO-97) O resstor, que tem a curva característca representada no gráfco abao, é componente do crcuto representado
Leia maisRastreando Algoritmos
Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos
Leia maisEduardo Andrade Veloso
Estruturas de Árvores Dsuntas Obtdas através dos Conuntos Recíprocos Completos e Não Recíprocos e seu uso na Determnação das p-medanas de uma Rede. Eduardo Andrade Veloso Unversdade Estadual da Paraíba
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisModelo TEAM de localização de ambulâncias - Solução através do Algoritmo Genético Construtivo
Modelo TEM de localzação de ambulâncas - Solução através do lgortmo Genétco Construtvo Resumo na Paula Slva Fgueredo (INPE / UNIFEI) anapaula@lac.npe.br Luz ntono Noguera Lorena (INPE) lorena@lac.npe.br
Leia maisAvaliação da Tendência de Precipitação Pluviométrica Anual no Estado de Sergipe. Evaluation of the Annual Rainfall Trend in the State of Sergipe
Avalação da Tendênca de Precptação Pluvométrca Anual no Estado de Sergpe Dandara de Olvera Félx, Inaá Francsco de Sousa 2, Pablo Jónata Santana da Slva Nascmento, Davd Noguera dos Santos 3 Graduandos em
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisCAPÍTULO I 1 INTRODUÇÃO
CAPÍTULO I INTRODUÇÃO No mundo globalzado e etremamente compettvo em que as empresas dsputam espaço, clentes, reconhecmento e acma de tudo, condções de permanecer compettvas e lucratvas no mercado, é fundamental
Leia maisEQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) Introdução Seja a segunte equação derencal: d ( ) ; d para. que é reerencado com o problema do valor ncal. Essa denomnação deve-se
Leia maisELEMENTOS DE CIRCUITOS
MINISTÉRIO D EDUCÇÃO SECRETRI DE EDUCÇÃO PROFISSIONL E TECNOLÓGIC INSTITUTO FEDERL DE EDUCÇÃO, CIÊNCI E TECNOLOGI DE SNT CTRIN CMPUS DE SÃO JOSÉ - ÁRE DE TELECOMUNICÇÕES CURSO TÉCNICO EM TELECOMUNICÇÕES
Leia maisUM ESTUDO SOBRE PROBLEMAS DE AGRUPAMENTO CAPACITADO
UM ESTUDO SOBRE PROBLEMAS DE AGRUPAMENTO CAPACTADO Fernando Stefanello stefanello@nf.ufsm.br Felpe Martns Müller felpe@nf.ufsm.br Unversdade Federal de Santa Mara - Centro de Tecnologa Av. Rorama no. 1000
Leia mais024/ ANÁLISE MULTICRITÉRIO DO PROBLEMA DE SELEÇÃO DE EQUIPAMENTOS EM AMBIENTE JUST IN TIME, UTILIZANDO-SE DE UM ALGORITMO GENÉTICO
ISSN 275-6295 Ro de Janero- Brasl, 05 e 06 de agosto de 2009. SPOLM 2009 024/2009 - ANÁLISE MULTICRITÉRIO DO PROBLEMA DE SELEÇÃO DE EQUIPAMENTOS EM AMBIENTE JUST IN TIME, UTILIZANDO-SE DE UM ALGORITMO
Leia maisNORMAS DE SELEÇÃO AO DOUTORADO
1. INSCRIÇÕES PARA SELEÇÃO 1.1. Para a Área de Irrgação e Drenagem Poderão nscrever-se canddatos formados em Engenhara Agrícola, Agronoma, Meteorologa e demas Engenharas, ou em outras áreas afns a crtéro
Leia maisEscola Secundária Dr. Ângelo Augusto da Silva Matemática 12.º ano Números Complexos - Exercícios saídos em (Exames Nacionais 2000)
Internet: http://rolvera.pt.to ou http://sm.page.vu Escola Secundára Dr. Ângelo Augusto da Slva Matemátca.º ano Números Complexos - Exercícos saídos em (Exames Naconas 000). Seja C o conjunto dos números
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisModelos Regret aplicados a Problemas de Localização
UNIVERSIDADE DOS AÇORES Departamento de Economa e Gestão Modelos Regret aplcados a Problemas de Localzação Dssertação de Doutoramento Pedro Portugal de Sousa Nunes 2012 Unversdade dos Açores Departamento
Leia maisProblemas de engenharia
Análse de Sstemas de otênca Análse de Sstemas de otênca ( AS ) Aula 3 Operação Econômca de Sstemas de otênca 03//008 roblemas de engenhara Análse de Sstemas de otênca ( AS ) ANÁLISE Defndo o sstema, determnar
Leia maisRESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS
Defnções RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Problemas de Valor Incal PVI) Métodos de passo smples Método de Euler Métodos de sére de Talor Métodos de Runge-Kutta Equações de ordem superor Métodos
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisUMA HEURÍSTICA PARA O PROBLEMA DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. UMA HEURÍSTICA PARA O PROBLEMA DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO Alexandre Venturn Faccn Pacheco (UFES) alexandreventurn@gmal.com
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisUniversidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas
Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema
Leia maisRESOLUÇÃO DE ESTRUTURAS SUBSAL ATRAVÉS DE MIGRAÇÃO RTM
Copyrght 004, Insttuto Braslero de Petróleo e Gás - IBP Este Trabalho Técnco Centífco fo preparado para apresentação no 3 Congresso Braslero de P&D em Petróleo e Gás, a ser realzado no período de a 5 de
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisRESOLUÇÃO Nº 32/2014/CONEPE. O CONSELHO DO ENSINO, DA PESQUISA E DA EXTENSÃO da Universidade Federal de Sergipe, no uso de suas atribuições legais,
SERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE SERGIPE CONSELHO DO ENSINO, DA PESQUISA E DA EXTENSÃO RESOLUÇÃO Nº 32/2014/CONEPE Aprova as Normas Geras do Processo Seletvo para
Leia maisPROJECTO DO LAYOUT DE INSTALAÇÕES INDUSTRIAIS
2 PROJECTO DO LAYOUT DE INSTALAÇÕES INDUSTRIAIS Determnar a sequênca de operações de fabrco, quas e quantos recursos estão dsponíves para cada tpo de operação, como fluem os materas e as pessoas, qual
Leia mais