MODELO MARKOVIANO DE DECISÃO COM INFORMAÇÃO PARCIAL PARA OTIMIZAÇÃO DE UM SISTEMA DE FILAS MMPP/PH/c/N
|
|
- Raphael Aleixo
- 5 Há anos
- Visualizações:
Transcrição
1 MODELO MARKOVIANO DE DECISÃO COM INFORMAÇÃO PARCIAL PARA OTIMIZAÇÃO DE UM SISTEMA DE FILAS MMPP/PH/c/N Solon Venâncio de Carvalho Rita de Cássia Meneses Rodrigues Laboratório Associado de Computação e Matemática Aplicada Instituto Nacional de Pesquisas Espaciais INPE/LAC Caixa Postal São José dos Campos, SP, Brasil {solon, rita}@lac.inpe.br Resumo: Considera-se um sistema de filas cujas chegadas são representadas por um processo de Poisson modulado por um processo de Markov (MMPP) e os tempos de serviço dos servidores são independentes e seguem uma distribuição tipo fase com representação de Cox. O sistema tem capacidade finita, desta forma, clientes que chegam ao sistema quando este está cheio são rejeitados. Nos instantes de decisão, que são os instantes de chegada e os instantes de final de fase de serviço, deve-se decidir manter, aumentar ou diminuir o número de servidores ativos. Este sistema é modelado como um processo markoviano de decisão com informação parcial. O objetivo é minimizar o custo esperado médio a longo prazo do sistema. Palavras-chaves: processos estocásticos, processos markovianos de decisão, teoria de filas. Abstract: We study a queueing system where customers arrive acoording to a Markov-modulated Poisson process (MMPP), and the service times have phase type distribution with Cox configurations. The system has a finite capacity, so customers that arrive when the system is full are rejected. The decision instants are arrival instants and the end of a service phase. At these instants, we must decide whether to remain, increase or decrease the number of actived servers. This system is modeled as a Markov decision process with partial information. We want to minimize the long-run expected average cost of the system. Key-words: stochastic processes, Markov decision process, queueing theory. 1. Introdução Neste trabalho, estuda-se um sistema de filas com capacidade limitada onde os clientes chegam em rajadas e os tempos entre chegadas são independentes e representados por um processo de Poisson modelado por um processo de Markov (MMPP). O MMPP é uma generalização do processo de Poisson e tem sido usado na modelagem de tráfego de internet (ver Carvalho et al., 2004 ). Neste trabalho considera-se um MMPP com dois estados: ON e OFF, como mostrado na Figura 1. Enquanto o processo está no estado ON, o tempo entre chegadas de clientes segue uma distribuição exponencial negativa com parâmetro λ. No estado OFF não há chegadas de clientes. Os tempos de permanência nos estados ON e OFF são exponencialmente distribuídos com parâmetros α e β, respectivamente.
2 tempo sessão de dados (chegada de pacotes) tempo de leitura final de uma sessão taxa α on off chegada de pacotes taxa λ início de uma sessão taxa β Figura 1 MMPP com dois estados Quando os clientes chegam, eles entram em uma fila com disciplina FIFO (first in, first out). O número máximo de clientes no sistema (incluindo o cliente sendo atendido) é N. Clientes que chegam quando o sistema está cheio são rejeitados. Para atender os clientes que chegam ao sistema, existem s = {0,1,...,S} servidores iguais e independentes. O tempo de serviço de cada servidor tem distribuição do tipo fase com configuração de Cox de ordem n s com taxas {μ f, f = 1, 2,..., F} e probabilidades {p f,, f = 1, 2,..., F}, onde f a fase de serviço. Assim, se o sistema é observado na final da fase de serviço f, com probabilidade 1 p f termina-se o atendimento ao cliente e com probabilidade p f o cliente passa para a fase de serviço seguinte. O custo do sistema é composto por um custo de espera à taxa h.n incorrido quando existem n clientes no sistema, um custo de serviço à taxa c s. k quando existem k servidores executando um serviço, um custo fixo de ativação do servidor, um custo fixo de rejeição r incorrido quando um cliente que chega no sistema e não é aceito devido à sua restrição de capacidade e um custo de manter o servidor ativado à taxa c m. s quando existem s servidores ativos. O objetivo deste trabalho é obter uma política de controle que determine manter ativado, ativar ou desativar os servidores, em função do estado do sistema, de maneira a minimizar o custo médio a longo prazo por unidade de tempo do sistema. Este sistema é representado por um Processo Markoviano de Decisão com Informação Parcial (modelo com informação parcial), no qual considerase que o estado do processo de chegadas e a fase corrente das distribuições do tipo fase não são observáveis. Para obter uma política de custo mínimo utiliza-se o Algoritmo HL (Hordijk e Loeve, 1994). 2. Formulação do modelo Modela-se o sistema em estudo por um Processo Markoviano de Decisão a Tempo Contínuo, neste modelo, em cada instante de decisão o exato estado do sistema é conhecido. O estado do sistema é definido pelo conjunto de valores (n, s, ev, ec, s 1, s 2,...s F ) que são, respectivamente, o número de clientes no sistema (incluindo os clientes que estão sendo atendidos), o número de servidores ativos (incluindo aqueles que estão ativos mas ociosos por não existirem clientes no sistema para serem atendidos), o último evento, o estado do processo de chegada e o número de servidores em cada fase de serviço. Assume-se que o sistema tem capacidade finita e N denota o número máximo de clientes no sistema. Assume-se, também, que o número de servidores que podem ser ativados no sistema é limitado em S. Clientes que chegam quando o sistema está completo são rejeitados. Se o último evento que ocorrer no sistema for uma mudança no estado do processo de chegada ou uma mudança na fase de serviço atribui-se à variável ev o valor zero ; se o último evento for uma chegada, atribui-se à variável ev o valor um e se o último evento for o término de um serviço atribui-se à ev o valor dois. Se o estado do processo de chegadas for ON, atribui-se à variável ec o valor um, se for OFF, atribui-se à variável ec o valor dois. Se s = 0, ou seja, se 800
3 nenhum servidor está ativo, então o último evento não pode ser o final de um reparo, pois não existem servidores ativos executando o serviço. Se n = N, ou seja, se o sistema está com sua capacidade preenchida, então o último evento não pode ser o final de um serviço, porque, neste caso, o cliente cujo serviço terminou teria deixado o sistema. Se n = 0 o último evento não pode ser uma chegada, porque neste caso o sistema não estaria vazio. Se ev = 1 então o estado de chegada tem que ser igual a um (ON). Define-se a variável s w como o número de servidores trabalhando no sistema, que é dada pela soma do número de servidores em cada fase de serviço, ou seja, s w = s 1+ s s F. Se o último evento não é o final de um serviço existem duas possibilidades: se n < s então s w tem que ser igual a n (existem servidores ociosos), caso contrário, s w tem que ser igual a s (não existem servidores ociosos). Se ev = 2 então existem duas possibilidades: se n < s-1 (como um servidor acabou o serviço, tem um servidor a menos trabalhando) então s w tem que ser igual a n, caso contrário, s w é igual s-1. Se ev = 1 então s w tem que ser menor que n e o número de servidores na fase um de serviço tem que ser diferente de zero. Então, O espaço de estados do modelo é definido por: E = { (n, s, ev, ec, s 1, s 2,...s F ) / n {0, 1,..., N}, s {0, 1,..., S}, ev {0, 1,2}, ec {1,2}, s f {0, 1,..., S}, f { 1,..., F}, s w = s 1+ s s F, se s = 0 então ev 2, se n = N então ev 2, se n = 0 então ev 1, se ev = 1 então ec = 1, se ev 2 e se n < s então s w = n, se ev 2 e se n s então s w = s, se ev = 2 e n < s-1 então s w = n,, se ev = 2 e n s-1 então s w = s-1, se ev = 1 então s w < n e s 1 0 }. Nos instantes de decisão, que são os instantes de mudança de estado, se o servidor está no estado i = (n,, s, ev, ec, s 1,.s 2,,...,s F ), i E, deve-se escolher uma ação pertencente ao conjunto A = {NA,INC,DEC}, onde a ação a = NA determina manter o mesmo número de servidores ativos, a ação a = INC determina ativar mais um servidor e a ação a = DEC determina desativar um servidor. No modelo proposto, considera-se que, se ocorre uma chegada, não é possível diminuir o número de servidores ativos. Para controlar o sistema, consideram-se políticas estacionárias, ou seja, políticas que escolhem o tipo de serviço levando em conta o estado do sistema no presente e não se importando com seu comportamento no passado. Logo, uma política estacionária é uma função l : E A(i) tal que, se o estado observado na época de decisão é (n, s, ev, ec, s 1, s 2,...s F ) E, então uma única ação l(n, s, ev, ec, s 1, s 2,,...,s F ) A é escolhida. Como o tempo entre chegadas e o tempo de serviço do cliente são construídos a partir de variáveis aleatórias exponencialmente distribuídas, pode-se modelar o sistema de manutenção em estudo como um Processo Markoviano de Decisão a Tempo Contínuo. Para estes processos, dado que em um instante de decisão o sistema está no estado i E e uma ação a A(i) é escolhida, tem-se: τ i (a) como o tempo esperado até o próximo instante de decisão, P ij (a) a probabilidade que no próximo instante de decisão o estado será i E, e C i (,a) o custo esperado incorrido até o próximo instante de decisão. A partir das taxas de transição Λ ij (a) obtém-se facilmente a taxa total de saída de cada estado dada por Λ i (a) = j i Λ ij (a) e, então, as probabilidades de transição são dadas por p ij (a) = Λ ij (a)/λ i (a) e o tempo esperado entre transições é dado por τ i (a) = 1/Λ i (a). Abaixo, apresenta-se um caso particular que ilustra o raciocínio usado no cálculo das taxas de transição. 801
4 Se, em um instante de decisão, o sistema está no estado i = (n, s, 1, 1, s 1, s 2,...,s F ) com n < N, s < S, s w < n isto significa que o sistema não está cheio, que nem todos os servidores estão ativados e que existem clientes esperando para serem atendidos. Como o sistema não está cheio um cliente pode chegar e ser aceito. Se a = INC então imediatamente aumenta-se o número de servidores ativos e aumenta-se o número de servidores na fase 1 de serviço e, conseqüentemente, aumenta-se de um o valor de s w. Incrementa-se o número de clientes no sistema, atribui-se à variável ec o valor um (ON) e atribui-se à variável ev o valor um (último evento igual a uma chegada). O novo estado passar a ser j = (n+1,s+1,1,1,s 1+1,s 2,...,s F ) com taxa de transição Λ ij (a) = λ. O custo C i (a) é dividido em quatro parcelas: C i (a) = C S (i,a) + C h (i,a) + C T (i,a) + C R (i,a) + C M (i,a), onde C S (i,a), C h (i,a), C T (i,a), C R (i,a) e C M (i,a) são, respectivamente, os custos esperados de serviço, de espera no sistema, de ativação do servidor, de rejeição e de manter o servidor ativado incorridos até o próximo instante de decisão dado que o sistema está no estado i = (n, s, ev, ec, s 1, s 2,...s F ) E e a ação a A(i) foi adotada. O custo médio de espera no sistema é igual ao produto da taxa de espera no sistema, o número de clientes presentes no sistema (incluindo os clientes que estão sendo atendidos) e o tempo esperado até o próximo instante de decisão. É claro que se não existem clientes no sistema, o custo de espera é zero. Assim, tem-se que: h.n. τ a ) se n > 0 Ch( i,a ) = 0 se n = 0 Se o último evento é uma chegada de cliente e a ação escolhida é a = INC, ou seja, incrementa-se o número de servidores, existem duas possibilidades: se existe servidor ocioso - o custo de serviço é dado pelo produto entre a taxa de serviço, o número de servidores trabalhando aumentado de um e o tempo esperado até o próximo instante de decisão; se não existe servidor ocioso - o custo de serviço é dado pelo produto entre a taxa de serviço, o número de servidores trabalhando e o tempo esperado até o próximo instante de decisão. Se a ação escolhida é manter o mesmo número de clientes trabalhando, ou seja, a = NA, o custo de serviço é dado pelo produto entre a taxa de serviço, o número de servidores trabalhando e o tempo esperado até o próximo instante de decisão. Se o último evento é o final de um serviço e a ação escolhida é diminuir o número de servidores ativos, os seja, a = DEC, o custo de serviço é dado pelo produto entre a taxa de serviço, o número de servidores trabalhando e o tempo esperado até o próximo instante de decisão. Se o último evento é o final de um serviço, a DEC, ou seja, não se diminui o número de servidores ativos, o servidor que terminou o serviço passar a atender um novo cliente, o custo de serviço é dado pelo produto entre a taxa de serviço, o número de servidores trabalhando aumentado de um e o tempo esperado até o próximo instante de decisão. Em todos os outros casos, o custo de serviço é zero. Então: cs.( sw + 1). τ a ) se ev 0 e sw < n e a = INC CS ( i,a ) = cs.s w. τ a ) se ev = 0 ou sw = n ou a INC 0 caso contrário O custo de ativação C T (i,a) assume o valor fixo c t se o evento é uma chegada e escolheu-se a ação a = INC. Então: ct se ev = 1 e a = INC CT ( i,a ) = 0 caso contrário 802
5 Se a capacidade do sistema não está esgotada, ou seja, se n < N, o custo de rejeição de clientes é zero. Mas se n = N e um cliente chega ao sistema, ele não poderá ser atendido, neste caso, tem-se que o custo de rejeição é dado pelo produto entre a constante de custo, c R, e a probabilidade de uma chegada antes da ocorrência de qualquer outro evento, que é a taxa de chegada de cliente λ. Assim, tem-se que: cr. λ. τ a ), se n = N CR( i,a ) = 0, caso contrário Se o último evento é uma chegada de cliente e a ação escolhida é a = INC, ou seja, incrementa-se o número de servidores, o custo de manter os servidores ativados é dado pelo produto entre a taxa de manter os servidores ativados, o número de servidores ativos aumentado de um e o tempo esperado até o próximo instante de decisão. Se a ação escolhida é manter o mesmo número de clientes trabalhando, ou seja, a = NA, o custo de manter os servidores ativados é dado pelo produto entre a taxa de manter os servidores ativados, o número de servidores ativos e o tempo esperado até o próximo instante de decisão. Se o último evento é o final de um serviço e a ação escolhida é diminuir o número de servidores ativos, os seja, a = DEC, o custo de manter os servidores ativados é dado pelo produto entre a taxa do custo de manter os servidores ativados, o número de servidores ativos diminuído de um e o tempo esperado até o próximo instante de decisão. Então: cm.( s + 1). τ a ) se ev = 1 e a = INC cm.( s 1). τ a ) se ev = 2 e a = DEC CM ( i,a ) = cm.s. τ a ) se a = NA 0 caso contrário Com os valores de τ i (a), p ij (a) e C i (a) definidos acima, pode-se utilizar os algoritmos de iteração de valores e o algoritmo HL. Por uma análise pós-otimalidade, medidas de desempenho do sistema podem ser obtidas. 3 Modelo com informação parcial No modelo proposto neste trabalho com informação parcial - só existem três informações disponíveis no instante de decisão: o número de clientes presentes no sistema, o número de servidores ativos e o último evento. Não se tem nenhuma informação sobre o estado do processo de chegada e as fases de serviço. Portanto, o espaço de estados E é particionado em subconjuntos E (n,s,ev), onde n {0, 1,..., N}, s {0, 1,..., S}, ev {1,2} tal que: E (n,s,ev) = { (n, s, ev, ec, s 1, s 2,...s F ) /ec {1,2}, s f {0, 1,..., S}, f {0, 1,..., F} s w = s 1+ s s F, se s = 0 então ev 2, se n = N então ev 2, se n = 0 então ev 1, se ev = 1 então ec = 1, se ev 2 e se n < s então s w = n, se ev 2 e se n s então s w = s, se ev = 2 e n < s-1 então s w = n,, se ev = 2 e n s-1 então s w = s-1, se ev = 1 então s w < n e s 1 0 }. Para controlar este sistema, consideram-se somente políticas admissíveis. Sob estas políticas, observa-se o subconjunto E (n,s,ev), e escolhe-se uma ação, o que significa que em todos os estados do subconjunto E (n,s,ev) observado, a mesma ação deve ser tomada. Isto segue para todos os subconjuntos da partição. Estas políticas podem ser estacionárias (periódicas com período 1) ou periódicas. A 803
6 política R é chamada periódica se l k k + L = l, para um fixo L e todo k, e denotada por 1 2 L 1 L ( l, l,..., l, l ), onde L é o período da política, l k é uma regra de decisão admissível e k = 1, 2,..., L é denominado passo do período L. Considera-se um algoritmo desenvolvido por Hordijk e Loeve (1994) para obtenção da melhor política admissível. Este algoritmo é baseado no Algoritmo de Iteração de Valores (Tijms, 1990) e foi desenvolvido para otimizar os Processos Markovianos de Decisão com Informação Parcial. Para estes processos não se pode assegurar que existe uma política markoviana de custo mínimo visto que, como estes processos são um caso particular dos Processos Markovianos de Decisão Parcialmente Observáveis, a política ótima pode depender de toda a história do processo. Portanto, este algoritmo procura por uma boa política dentro da classe de políticas admissíveis. Neste artigo, este algoritmo será denominado Algoritmo HL. Rodrigues (1998) detectou problemas quando políticas periódicas foram consideradas para o tempo contínuo e propôs a seguinte heurística para obtenção de uma política estacionária a partir da política periódica obtida pelo Algoritmo HL. 1 2 L 1 L Seja R = ( l, l,..., l, l ) a política periódica obtida pelo Algoritmo HL: extraem-se todas as políticas estacionárias possíveis a partir das regras de decisão da política periódica obtida, ou seja, l 1, l 2,..., l L-1, l L ; calcula-se o custo de cada uma destas políticas estacionárias; comparam-se os custos e escolhe-se a política estacionária caracterizada pela regra de decisão de menor custo. A política assim obtida é admissível e adotada como uma solução sub-ótima para o problema. 4. Resultados Numéricos Nesta seção analisa-se o modelos descrito 3 considerando-se os seguintes parâmetros para o sistema modelado: Número máximo de clientes no sistema (N): 10 Número máximo de servidores ativos (S): 5 Processo de Chegada - taxa média de chegada = 2 λ= 20 α = 1 β= 9 Número de fases de serviço: 2 - média = 4 e coeficiente de variação ao quadrado: μ 1 = 0, μ 2 = 0, p 1 = 0, c x =2 constantes de custo: h = 5 c s = 15 c T = 20 c R = 100 c m = 5 Considerando-se os dados anteriores, o custo médio do sistema a longo prazo foi de 73,3749 sob a política apresentada na Tabela
7 Tabela 1 - Política de controle para o modelo ev = 1 (chegada) ev = 2 (término de um serviço) s n NA NA DEC DEC DEC 1 INC NA NA NA NA NA NA NA DEC DEC DEC 2 INC INC NA NA NA NA NA NA NA DEC DEC 3 INC INC NA NA NA NA NA NA NA NA DEC 4 INC INC INC NA NA NA NA NA NA NA NA 5 INC INC INC INC NA NA NA NA NA NA NA 6 INC INC INC INC NA NA NA NA NA NA NA 7 INC INC INC INC INC NA NA NA NA NA NA 8 INC INC INC INC INC NA NA NA NA NA NA 9 INC INC INC INC INC NA NA NA NA NA NA 10 INC INC INC INC INC NA Na Tabela 2 apresentam-se as medidas de desempenho obtidas sob as políticas apresentadas nas Tabelas 1. Tabela 2 - Medidas de desempenho dos modelos Parâmetros Valores médios Número de clientes 3,12 Número de servidores ativos 3,1 Número de servidores 2,65 trabalhando Número de servidores ociosos 0,45 Custo de espera 15,62 Custo de manter o servidor 15,5 ativado Custo de serviço 39,73 Custo de ativação do servidor 2,08 Custo de rejeição 0,44 CUSTO TOTAL 73,37 5. Comentários Finais O processo de Poisson modulado por um processo de Markov tem sido amplamente utilizado na modelagem de tráfego na internet. Neste trabalho generalizou-se o modelo PH/PH/1/N apresentado em Rodrigues & Carvalho (2001) admitindo-se o processo de chegada como um MMPP. Deve-se notar que este processo é mais geral que o anteriormente considerado. Por outro lado, considerou-se que os tempos de serviço são distribuídos como uma distribuição tipo fase com representação de Cox. Esta consideração é interessante por permitir a introdução, em modelos markovianos, de tempos que não podem ser bem modelados por variáveis aleatórias exponenciais negativas. Tais hipóteses permitiram a modelagem do sistema em estudo como um processo markoviano de decisão a tempo contínuo com informação parcial e então a obtenção de uma boa política de controle em termos de custo médio a longo prazo (a abordagem utilizada não garante a otimalidade). 805
8 6. Referências Carvalho, G.H.S.; Carvalho, S.V.; Rodrigues, R.C.M.; Francês, C.R.L.; Costa, J.C.W.A. Modelagem markoviana da alocação de recursos em redes móveis celulares hierárquicas GSM/GPRS. XXXVI SBPO, de novembro de 2004, São João Del Rei, MG. Hordijk, A., Loeve, J.A., Undiscounted Markov decision chain with partial information: an algorithm for computing a locally optimal periodic policy. ZOR-Mathematical Methods of Operations Research 40, Rodrigues, R.C.M. (1998). Inserção de distribuições do tipo fase em modelos markovianos de decisão. Tese de doutorado INPE-6840-TDI/648, Instituto Nacional de Pesquisas Espaciais (INPE). Rodrigues, R. C. M., Carvalho, S. V., Optimization of a PH/PH/1/N queue with controllable service time and partial information. International Transactions in Operational Research 8 (2),
UM MODELO ESTOCÁSTICO PARA A MANUTENÇÃO DE UM EQUIPAMENTO BASEADO NA INSPEÇÃO DAS PEÇAS PRODUZIDAS
UM MODELO ESTOCÁSTICO PARA A MANUTENÇÃO DE UM EQUIPAMENTO BASEADO NA INSPEÇÃO DAS PEÇAS PRODUZIDAS Mônica Maria De Marchi Solon Venâncio de Carvalho Laboratório Associado de Computação e Matemática Aplicada
Leia maisNoções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
Leia maisRede de Computadores II
Slide 1 Teoria das Filas Ferramenta matemática para tratar de eventos aleatórios. É o estudo da espera em filas. Proporciona uma maneira de definir o ambiente de um sistema de filas matematicamente. Permite
Leia maisProcessos Estocásticos aplicados à Sistemas Computacionais
Processos Estocásticos aplicados à Sistemas Computacionais Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia
Leia maisAvaliação de Desempenho
Avaliação de Desempenho Aula passada Métricas, Técnicas, Erros Aula de hoje Conceitos importantes de probabilidade Como fazer a análise de desempenho? Modelos Matemáticos Modelos de Simulação Como fazer
Leia maisModelagem e Análise Aula 9
Modelagem e Análise Aula 9 Aula passada Equações de fluxo Tempo contínuo Aula de hoje Parâmetros de uma fila Medidas de desempenho Cálculo do tempo de espera Resultado de Little Parâmetros da Fila chegada
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 20
Teoria das Filas aplicadas a Sistemas Computacionais Aula 20 Magnos Martinello Universidade Federal do Espírito Santo - UFES Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia
Leia maisAvaliação e Desempenho Aula 18
Avaliação e Desempenho Aula 18 Aula passada Fila com buffer finito Fila com buffer infinito Medidas de interesse: vazão, número médio de clientes na fila, taxa de perda. Aula de hoje Parâmetros de uma
Leia maisTE802 Processos Estocásticos em Engenharia
TE802 Processos Estocásticos em Engenharia Cadeias de Markov 20/11/2017 Andrei Markov Em 1907, Andrei Markov iniciou um estudo sobre processos onde o resultado de um experimento depende do resultado de
Leia maisUMA MODELAGEM MARKOVIANA PARA CONTROLE DE ADMISSÃO EM REDES ÓPTICAS FWDM
UMA MODELAGEM MAROVIANA PARA CONTROLE DE ADMISSÃO EM REDES ÓPTICAS FWDM Solon Venâncio de Carvalho Marlon da Silva Sabrina Bergoch Monteiro Sambatti Rita de Cássia Meneses Rodrigues Laboratório Associado
Leia maisPROCESSO MARKOVIANO DE DECISÃO APLICADO À ALOCAÇÃO DINÂMICA DE COMPRIMENTO DE ONDA EM UM NÓ DE REDES ÓPTICAS WDM
PROCESSO MARKOVIANO DE DECISÃO APLICADO À ALOCAÇÃO DINÂMICA DE COMPRIMENTO DE ONDA EM UM NÓ DE REDES ÓPTICAS WDM Solon Venâncio de Carvalho Adriana de Nazaré Farias da Rosa 1 Carlos Renato Lisboa Francês
Leia maisModelos Probabilísticos
Modelos Probabilísticos Somente para lembrar... Modelos são extremamente importantes para o estudo do desempenho de um sistema antes de implementá-lo na prática! Foguete proposto tem confiabilidade? Devemos
Leia maisModelos Probabilísticos Filas M/M/1, M/G/1. Profa. Jussara M. Almeida 1 o Semestre de 2014
Modelos Probabilísticos Filas M/M/1, M/G/1 Profa. Jussara M. Almeida 1 o Semestre de 2014 Modelos Probabilísticos de Filas R W S λ Notação de Kendall Fila G / G / 1 1 = um único servidor Distribuição dos
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
Leia maisUM MODELO DE MANUTENÇÃO DE EQUIPAMENTOS BASEADO EM INFORMAÇÕES IMPERFEITAS SOBRE O PROCESSO DE INSPEÇÃO
MINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS INPE-7168-TDI/674 UM MODELO DE MANUTENÇÃO DE EQUIPAMENTOS BASEADO EM INFORMAÇÕES IMPERFEITAS SOBRE O PROCESSO DE INSPEÇÃO Mônica
Leia maisATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho
Teoria de Filas - Resumo e Exercícios Pedroso 24 de setembro de 2014 1 Introdução 2 Definições básicas ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento de
Leia maisAvaliação de Desempenho de Sistemas
Avaliação de Desempenho de Sistemas Introdução à Teoria das Filas Prof. Othon Batista othonb@yahoo.com Notação de uma fila Para analisar um dado sistema é necessário a definição das seguintes características:
Leia maisMarcus Vinicius de Oliveira DMAT - Universidade Federal de Minas Gerais. 13 de dezembro de 2011
Simulação de Filas Marcus Vinicius de Oliveira marcus.eletrica@hotmail.com DMAT - Universidade Federal de Minas Gerais 13 de dezembro de 2011 Resumo O objetivo deste trabalho é apresentar um algorítmo
Leia maisProcessos Estocásticos
Processos Estocásticos Quarta Lista de Exercícios 12 de fevereiro de 2014 1 Sejam X e Y duas VAs que só podem assumir os valores 1 ou -1 e seja p(x, y) = P (X = x, Y = y), x, y { 1, 1} a função de probabilidade
Leia maisOtimização. Otimização em Redes. Paulo Henrique Ribeiro Gabriel Faculdade de Computação Universidade Federal de Uberlândia 2016/2
Otimização Otimização em Redes Paulo Henrique Ribeiro Gabriel phrg@ufu.br Faculdade de Computação Universidade Federal de Uberlândia 2016/2 Paulo H. R. Gabriel (FACOM/UFU) GSI027 2016/2 1 / 51 Conteúdo
Leia maisAplicação. Controlo Óptimas. 23º Seminário de Engenharia Mecânica - 4 Junho de Nuno Manuel R. S. Órfão
Aplicação de Cadeias de Markov em Redes de Filas de Espera Políticas de Controlo Óptimas 23º Seminário de Engenharia Mecânica - 4 Junho de 2003 - Nuno Manuel R. S. Órfão nmorfao@estg.ipleiria.pt 1 Sumário
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisACH Introdução à Estatística Conteúdo Teórico: 12 - Simulação
ACH2053 - Introdução à Estatística Conteúdo Teórico: Marcelo S. Lauretto Referências: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. - 4o capítulo Ilya M. Sobol. A Primer for the Monte
Leia maisModelização do Sistema Produtivo Simulação
Modelização do Sistema Produtivo Simulação http://www.fe.up.pt/maspwww Licenciatura em Engenharia Electrotécnica e de Computadores Gil M. Gonçalves gil@fe.up.pt 2004/2005 Génese Estatística, teoria da
Leia mais7 Desempenho dos Algoritmos de uma Classe de Usuários em Relação à Distribuição que Representa o Tempo de Permanência do Usuário na Célula
7 Desempenho dos Algoritmos de uma Classe de Usuários em Relação à Distribuição que Representa o Tempo de Permanência do Usuário na Célula Neste capítulo os sete algoritmos de controle de admissão propostos
Leia maisATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho
Teoria de Filas - Resumo Pedroso 4 de setembro de 2011 1 Introdução 2 Definições básicas ATeoria de filas é uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento de sistemas de comunicação
Leia maisFILA EM UM PRONTO SOCORRO Paciente espera por ser atendida por um médico em um pronto socorro
TEORIA DAS FILAS FILA EM UM PRONTO SOCORRO Paciente espera por ser atendida por um médico em um pronto socorro Ingressa na sala de atendimento Sai da sala de atendimento Pessoa precisa de cuidados médicos
Leia maisAprendizado, minimização do arrependimento e equilíbrio (Learning, Regret Minimization, and Equilibria)
Aprendizado, minimização do arrependimento e equilíbrio (Learning, Regret Minimization, and Equilibria) Victor Alberto Romero Instituto de Matemática e Estatística Universidade de São Paulo Teoria dos
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisCadeias de Markov de Tempo Contínuo (CTMC)
Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições
Leia maisINTRODUÇÃO À TEORIA DAS FILAS
INTRODUÇÃO À TEORIA DAS FILAS Uma fila é caracterizada por: Processo de chegada dos fregueses à fila Tempo de serviço dedicado pelo servidor a cada freguês Número de servidores Espaço disponível para espera
Leia maisSimulação a Eventos Discretos. Fernando Nogueira Simulação 1
Simulação a s Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisInferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
Leia maisProcessos Estocásticos
Processos Estocásticos Quinta Lista de Exercícios 2 de fevereiro de 20 Suponha que um organismo unicelular pode estar somente em dois estágios distintos A ou B Um indivíduo no estágio A passa para o estágio
Leia maislnteligência Artificial Introdução ao Processo Decisório de Markov
lnteligência Artificial Introdução ao Processo Decisório de Markov Aprendizado - paradigmas Aprendizado supervisionado O crítico comunica a EA o erro relativo entre a ação que deve ser tomada idealmente
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos e Científicos
Leia maisGabarito - Lista de Exercícios 1
Gabarito - Lista de Exercícios Teoria das Filas Modelo M/M/. Clientes chegam a uma barbearia, de um único barbeiro, com tempo médio entre chegadas de 0 minutos. O barbeiro gasta em média 5 minutos com
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisUM MODELO MARKOVIANO DE DECISÃO PARA A OTIMIZAÇÃO DE UM SISTEMA DE MANUTENÇÃO COM TEMPOS DE REPARO COXIANOS E FASES NÃO OBSERVÁVEIS
ISSN 0101-7438 UM MODELO MARKOVIANO DE DECISÃO PARA A OTIMIZAÇÃO DE UM SISTEMA DE MANUTENÇÃO COM TEMPOS DE REPARO COXIANOS E FASES NÃO OBSERVÁVEIS Rita de Cássia Meneses Rodrigues Solon Venâncio de Carvalho
Leia maisD i s c i p l i n a : P e s q u i s a O p e r a c i o n a l I I T e o r i a d a s F i l a s - L i s t a d e E x e r c í c i o s : 0 4
0. Uma estação de serviço é formada por um único servidor que pode atender um cliente em 0,5 minutos, em média. Os clientes chegam solicitando serviço a um intervalo médio de oito minutos e 24 segundos.
Leia maisPLANEJAMENTO DE TRANSPORTES TT049
UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE TRANSPORTES PLANEJAMENTO DE TRANSPORTES TT049 Prof. Diego Fernandes Neris diego.neris@ufpr.br Filas: Problema mais comum na engenharia de transportes e de
Leia maisAplicação da Teoria de Filas Markovianas no Controle de Fluxo de Usuários. Ednário B. Mendonça 1, Divanilda M. Esteves 2 ISSN:
ISSN: 2317-0840 Aplicação da Teoria de Filas Markovianas no Controle de Fluxo de Usuários Ednário B. Mendonça 1, Divanilda M. Esteves 2 1 Universidade Estadual da Paraíba - UEPB, Brasil. 2 Departamento
Leia mais5 Decisão Sob Incerteza
5 Decisão Sob Incerteza Os problemas de decisão sob incerteza são caracterizados pela necessidade de se definir valores de variáveis de decisão sem o conhecimento prévio da realização de parâmetros que,
Leia mais6 Reserva de Recursos em Sistemas Móveis de Uma Classe de Usuários com Duas Restrições de QoS
6 Reserva de Recursos em Sistemas Móveis de Uma Classe de Usuários com Duas Restrições de QoS 6.1 Introdução Este capítulo considera o problema da reserva de recursos no controle de admissão em sistemas
Leia mais3 Modelo Anaĺıtico para Sistemas Móveis com uma Classe de Usuários
3 Modelo Anaĺıtico para Sistemas Móveis com uma Classe de Usuários Neste capítulo é apresentado o modelo utilizado para o Controle de Admissão de Chamadas oriundas de usuários pertencentes a uma classe.
Leia maisModelagem e Avaliação de Desempenho
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Exemplos usados na apresentação foram obtidos de Introduction to Probability, C.M.Grinstead
Leia maisPor que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo:
Por que aparecem as filas? Não é eficiente, nem racional, que cada um disponha de todos os recursos individualmente. Por exemplo: que cada pessoa disponha do uso exclusivo de uma rua para se movimentar;
Leia maisEstratégias informadas de Busca. February 19, 2018
Estratégias informadas de Busca February 19, 2018 Busca de Soluções: Métodos Informados ˆ Utilizam conhecimento específico do problema para encontrar a solução ˆ algoritmo geral de busca somente permite
Leia maisSCX5005 Simulação de Sistemas Complexos II. Problemas em Simulação
SCX5005 Simulação de Sistemas Complexos II Alguns Marcelo S. Lauretto Referências: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. - 4o capítulo Ilya M. Sobol. A Primer for the Monte
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Cadeias de Markov Em 1907, Andrew Markov iniciou um estudo sobre um modelo onde o resultado
Leia maisSSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 4 Sarita Mazzini Bruschi
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 4 Sarita Mazzini Bruschi Material
Leia maisModelos Probabilísticos de Desempenho. Profa. Jussara M. Almeida 1º Semestre de 2014
Modelos Probabilísticos de Desempenho Profa. Jussara M. Almeida 1º Semestre de 2014 Modelos Probabilísticos Processos Estocásticos Processos de Poisson Filas M/M/1, M/G/1... Mais genericamente: modelos
Leia maisInfluência do Tamanho Amostral no Planejamento Econômico para Controle On-Line de Processo por Atributo com Erros de.
Influência do Tamanho Amostral no Planejamento Econômico para Controle On-Line de Processo por Atributo com Erros de 1. Introdução: Classificação Lupércio França Bessegato 1 Roberto da Costa Quinino 2
Leia maisOtimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
Leia maisControle Ótimo - Aula 2 (Exemplos 2, 3 e 4)
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4) Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Sistemas dinâmicos discretos no tempo O Problema
Leia maisModelos de Confiabilidade no R
Modelos de Confiabilidade no R Maria Luíza Guerra de Toledo Escola Nacional de Ciências Estatísticas - IBGE Seminário Internacional de Estatística com R UFF 11 de maio de 2016 Equipe de trabalho Pesquisadores:
Leia mais9 Algoritmos de Controle de Admissão de Usuários para Sistemas de Múltiplas Classes
9 Algoritmos de Controle de Admissão de Usuários para Sistemas de Múltiplas Classes Neste capítulo são apresentados e propostos quatro algoritmos de Controle de Admissão de Chamadas, CAC, para sistemas
Leia maisEstratégias de Busca: Métodos Informados. March 9, 2015
Estratégias de Busca: Métodos Informados March 9, 2015 Busca de Soluções: Métodos Informados Utilizam conhecimento específico do problema para encontrar a solução algoritmo geral de busca somente permite
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisMODELOS DE ESTOQUES MULTICAMADA
MODELOS DE ESTOQUES MULTICAMADA Aluno: Rennan Graça Curvelo Orientador: Fernanda Maria Pereira Raupp Introdução Neste projeto estuda-se o gerenciamento de uma cadeia de suprimentos com troca de informações
Leia maisUNIVERSIDADE DO ESTADO DO RIO DE JANEIRO REDES DE COMUNICAÇÕES
1 a. Lista Redes de Comunicações I pg. 1/5 UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO REDES DE COMUNICAÇÕES 1 Prof. Flávio Alencar 1 a. LISTA (Assuntos: Filas, probabilidade e estatística aplicada a redes
Leia maisUM MODELO DE MANUTENÇÃO BASEADO EM PROCESSOS PONTUAIS NÃO-ESTACIONÁRIOS PARA SISTEMAS COM VÁRIOS COMPONENTES
UM MOELO E MNUTENÇÃO SEO EM PROCESSOS PONTUIS NÃO-ESTCIONÁRIOS PR SISTEMS COM VÁRIOS COMPONENTES Héctor C. Noriega COPPE/UFRJ - Prog. Eng. Produção hector@openlink.com.br orges de Medeiros 239/42, 2243-4,
Leia mais( ) dado ( X( s), J( s)
CONTRIBUIÇÃO DOS LEITORES PROCESSOS MARKOVIANOS ADITIVOS DE CHEGADAS António Pacheco 1 1. Introdução Na prática, com especial incidência em sistemas de manufactura e de comunicação de dados, é frequente
Leia maisModelo Markoviano de um Nó para o Roteamento Adaptativo em Redes WDM Totalmente Ópticas
Modelo Markoviano de um Nó para o Roteamento Adaptativo em Redes WDM Totalmente Ópticas Luis F. A. França 1, Solon V. de Carvalho 2, Rita C. M. Rodrigues 2 1 Programa de Mestrado em Computação Aplicada
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Leia maisAvaliação de Desempenho de Sistemas Discretos
Avaliação de Desempenho de Sistemas Discretos Parte VI: Introdução aos Processos Estocásticos e Teoria das Filas Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Processos Estocásticos Família de VAs
Leia mais6 ESCALONAMENTO DE CPU
6 ESCALONAMENTO DE CPU O escalonamento de CPU é ponto chave da multiprogramação. Ela permite que haja mais de um processo em execução ao mesmo tempo. Em ambientes com um único processador, o escalonador
Leia maisAvaliação de Desempenho de Sistemas Discretos
Processos Estocásticos Avaliação de Desempenho de Sistemas Discretos Parte VI: Introdução aos Processos Estocásticos e Teoria das Filas Professor: Reinaldo Gomes reinaldo@dsc.ufcg.edu.br Família de VAs
Leia maisEscola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção. Teoria da Filas. Prof. Fabrício Maciel Gomes
Escola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção Teoria da Filas Prof. Fabrício Maciel Gomes Teoria das Filas Por quê das Filas? Procura por um serviço maior do que a capacidade do
Leia maisFATORES INFLUENTES NA ALOCAÇÃO CONJUNTA DE SERVIDORES E ÁREAS DE ESPERA EM REDES DE FILAS FINITAS
FATORES INFLUENTES NA ALOCAÇÃO CONJUNTA DE SERVIDORES E ÁREAS DE ESPERA EM REDES DE FILAS FINITAS Helgem S. R. Martins Departamento de Estatística, Universidade Federal de Ouro Preto 35400-000 Ouro Preto
Leia maisLista de Exercícios - SCE131
Lista de Exercícios - SCE131 Prof. Eduardo F. Costa - ICMC - USP http://www.icmc.usp.br/ efcosta Parte 1 - Cadeia de Markov (a tempo discreto) Exercício 1. Seja uma cadeia de Markov com probabilidades
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisTeoria das Filas Aula 1. Gestão de Operações II Prof. Marcio Cardoso Machado
Teoria das Filas Aula 1 Gestão de Operações II Prof. Marcio Cardoso Machado 1 Modelagem de Sistemas Sistema de Operações Genérico Ambiente Otimizado Mais adequado Recursos Entrada de recursos PROCESSO
Leia maisProbabilidade Revisão de Conceitos
Probabilidade Revisão de Conceitos Espaço de Amostras A totalidade dos possíveis resultados de um experimento aleatório. Exemplo: jogar dados S = {(1,1),(1,),... (,1),(,)... (6,6)} S é dito o número de
Leia maisFILAS Conceitos Fundamentais. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
FILAS Conceitos Fundamentais Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Teoria de Filas É uma das abordagens mais utilizadas no estudo de desempenho e dimensionamento
Leia maisFormulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos
Formulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos Teobaldo L. Bulhões Júnior a a Instituto de Computação, Universidade Federal Fluminense, Niterói, RJ, Brazil
Leia maisUTILIZAÇÃO DO ALGORITMO SIMULATED ANNEALING EM PROBLEMAS DE OTIMIZAÇÃO
Revista da Estatística da UFOP, Vol I, 2011 - X Semana da Matemática e II Semana da Estatística, 2010 ISSN 2237-8111 UTILIZAÇÃO DO ALGORITMO SIMULATED ANNEALING EM PROBLEMAS DE OTIMIZAÇÃO Victor Ferreira
Leia maisAmbiente Arena Tutorial. Paulo Cesar F. de Oliveira, BSc, PhD
Ambiente Arena Tutorial Paulo Cesar F. de Oliveira, BSc, PhD Terminologia Variável de Estado Evento Recurso e Fila de Recurso Entidade Atributo Atividade e Período de Espera Tempo (Real) Simulado e Tempo
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisDETERMINAÇÃO DO TEMPO MÉDIO ATÉ A FALHA PARA UM SISTEMA EM COLD STANDBY COM MANUTENÇÃO CORRETIVA BASEADO NA TEORIA DE SEMI-MARKOV
DETERMINAÇÃO DO TEMPO MÉDIO ATÉ A FALHA PARA UM SISTEMA EM COLD STANDBY COM MANUTENÇÃO CORRETIVA BASEADO NA TEORIA DE SEMI-MARKOV Angelica Alebrant Mendes (UFRGS) angelica@producao.ufrgs.br Jose Luis Duarte
Leia maisProcessos Estocásticos
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 1 Introdução aos Processos Estocásticos Exercício 1.1 O número de sinais emitidos por uma
Leia maisDepartamento de Matemática da Universidade de Coimbra 2011/2012 Programação Orientada para os Objectos Projecto 2
Departamento de Matemática da Universidade de Coimbra 2011/2012 Programação Orientada para os Objectos Projecto 2 Simulador de um Sistema de Filas de Espera Descrição Sumária: Uma empresa proprietária
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisAula 5. Processo de Poisson. Exemplos.
Aula 5. Processo de Poisson. Exemplos. Exemplo 1. Processo de Poisson com diferentes tipos de eventos. Consideramos um processo de Poisson com intensidade λ. Suponha que em cada instante de ocorrência
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisEstimação da Intensidade do Tráfego em filas M/M/1/K Utilizando o Método do Mínimo Qui-Quadrado
UNIVERSIDADE FEDERAL DE MINAS GERAIS Programa de Pós-Graduação em Estatística Estimação da Intensidade do Tráfego em filas M/M/1/K Utilizando o Método do Mínimo Qui-Quadrado Monografia apresentada ao Curso
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 maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 19 ACO - Ant Colony Optimization 2 de 15 Sumário Problema do Caixeiro
Leia maisLinear para o Problema de Escalonamento de Workflows em Múltiplos Provedores de Nuvem
Discretização do Tempo na Utilização de Programação Linear para o Problema de Escalonamento de Workflows em Múltiplos Provedores de Nuvem Thiago A. L. Genez, Luiz F. Bittencourt, Edmundo R. M. Madeira
Leia maisTese de Doutorado. Otimização Multiobjetivo em Redes de Filas
Tese de Doutorado Otimização Multiobjetivo em Redes de Filas por Nilson Luiz Castelucio Brito Orientador: Frederico R. B. Cruz Coorientador: Anderson Ribeiro Duarte Março de 2013 ii Nilson Luiz Castelucio
Leia maisCurso: Engenharia de Produção
Vamos admitir que o tempo de atendimento (tempo de serviço) de clientes diferentes são variáveis aleatórias independentes e que o atendimento de cada consumidor é dado por uma variável S tendo função densidade
Leia maisPROCESSOS MARKOVIANOS INTERMEDIÁRIOS: O MODELO M/M/c(n)/ /FIFO
PROCESSOS MARKOVIANOS INTERMEDIÁRIOS: O MODELO M/M/c(n)/ /FIFO Glauco Barbosa da Silva Programa de Engenharia de Produção - COPPE - UFRJ Cidade Universitária Centro de Tecnologia Bloco F Rio de Janeiro
Leia maisModelagem e Avaliação de Desempenho
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Exemplos usados na apresentação foram obtidos de Introduction to Probability, C.M.Grinstead
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Considere o problema de encontrar o valor que
Leia maisSimulação de centrais de atendimento com desistências
Simulação de centrais de atendimento com desistências Elisabeti Kira Instituto de Matemática e Estatística USP Rua do Matão 1010, São Paulo, SP, 05508-090 betikira@ime.usp.br Marcos Nascimento Magalhães
Leia maisProcesso Markoviano de Decisão para a Alocação Dinâmica de Recursos e Controle Justo em Redes Ópticas WDM
XXVII SIMPÓSIO BRASILEIRO DE TELECOMUNICACÔEES - SBrT 9, DE 9 DE SETEMBRO A DE OUTUBRO DE 9, BLUMENAU, SC Processo Markoviano de Decisão para a Alocação Dinâmica de Recursos e Controle Justo em Redes Ópticas
Leia mais