ALGORITMOS DE OTIMIZAÇÃO BIOINSPIRADOS BASEADOS EM POPULAÇÕES PARA O PROBLEMA DE DESPACHO ECONÔMICO DE CARGA
|
|
- João Pedro Carreiro Aveiro
- 8 Há anos
- Visualizações:
Transcrição
1 Aas do XIX Cogresso Braslero de Automátca, CBA ALGORITMOS DE OTIMIZAÇÃO BIOINSPIRADOS BASEADOS EM POPULAÇÕES PARA O PROBLEMA DE DESPACHO ECONÔMICO DE CARGA ADRIANE B. S. SERAPIÃO, RAQUEL K. ROCHA DEMAC/IGCE/UNESP Caxa Postal 178, CEP Ro Claro (SP) adrae@rc.uesp.br, raquelkrocha@gmal.com Abstract Ecoomc Load Dspatch s a problem that attempts to determe the optmal operatoal pot of thermal power geerato uts, whch are commtted to satsfy a gve demad ad that are subject to ther respectve operatoal costrats. The goal s to mmze the total cost of geeratg power system wth a tme terval, attedg the restrctos assocated wth the problem. Sce the troducto of the ecoomc load dspatch problem several methods have bee used to solve t. However, covetoal approaches, such as mathematcal programmg methods ad methods based o gradet, have ot show effectve results to solve the problem terms of the optmal soluto, because the soluto ofte may get trapped a local mmum due to oleartes heret the ecoomc load dspatch problem. To overcome these dffcultes, some recet algorthms based o evolutoary approaches ot yet tesvely explored are used ths work to solve the ecoomc dspatch load problem, characterzed as a optmzato problem wth olear, dscotuous ad restrcted objectve-fucto. The metaheurstcs appled for studyg the ecoomc load dspatch problem solvg were: Partcle Swarm Optmzato, Harmoy Search ad Frefly Algorthm. Keywords Ecoomc load dspatch, Swarm Itellgece, Partcle Swarm Optmzato, Harmoy Search, Frefly Algorthm. Resumo O despacho ecoômco de carga é um problema que procura determar o poto ótmo de operação de udades de geração termoelétrca que estão comprometdas a satsfazer uma demada e estão sujetas às suas respectvas restrções operacoas. A meta cetral do é mmzar o custo total de geração do sstema de potêca detro de um tervalo de tempo e ateder as restrções assocadas ao problema. Desde a trodução do problema de despacho ecoômco dversos métodos têm sdo utlzados para resolver este problema. Etretato, abordages covecoas como os métodos de programação matemátca e métodos baseados em gradete ão tem mostrado resultados efcetes à resolução do problema em termos de solução ótma, pos a solução frequetemete fca retda em armadlhas de mímos locas devdo às ão-leardades eretes ao problema do despacho ecoômco de carga. Para cotorar estas dfculdades, algus algortmos recetes baseados em abordages evolutvas, ada pouco explorados, são utlzados este trabalho para resolver o problema do despacho ecoômco de carga, caracterzado como um problema de otmzação com fução objetvo ão-lear, descotíua e com restrções. As metaheurístcas aplcadas ao estudo da solução do problema de despacho ecoômco de carga foram: Otmzação por Exame de Partículas, Busca por Harmoa e Algortmo de Vagalume. Palavras-chave Despacho ecoômco de carga, Itelgêca Coletva, Otmzação por Exame de Partículas, Busca por Harmoa, Algortmo de Vagalume. 1 Itrodução De acordo com Coelho & Mara (2006), os sstemas elétrcos são tercoectados de forma a obter os beefícos de custos mímos de geração, cofaça máxma e melhores codções operacoas, tas como compartlhameto de reserva de eerga, aprmorameto da establdade e operação sobre stuações de emergêca. Assm sedo, o problema de otmzação do despacho ecoômco de eerga elétrca é relevate para atedmeto de requstos de qualdade e efcêca a geração de eerga elétrca. O despacho ecoômco é um problema o qual se tem udades geradoras dspoíves e coectadas ao sstema de potêca. Durate a atvdade operacoal do sstema, esse deve ateder a uma prevsão de carga (demada do sstema), de modo que a soma das potêcas geradas pelas udades deve ser gual à carga total do sstema mas as perdas elétrcas (Dutra et al., 2010). O objetvo básco do problema de despacho ecoômco da geração de eerga termoelétrca é o escaloameto das saídas das udades de geração co- veadas para ecotrar a demada de carga cosumdora a um custo mímo de operação detro de um tervalo de tempo (tpcamete uma hora), satsfazedo as restrções eretes às udades geradoras utlzadas e as restrções de gualdade e desgualdade mpostas pelo problema (Abdo, 2003). O despacho ecoômco para a operação de grupos térmcos é descrto por um problema de programação matemátca multobjetvo que cosste em mmzar a fução que determa o custo de combustível (fução objetvo), ecotrado um perfl de geração ótmo, sujeto à satsfação da carga de eerga elétrca e aos lmtes téccos de operação dos grupos. O problema de despacho ecoômco possu característcas complexas e ão-leares com a preseça, mutas vezes, de restrções de gualdade e desgualdade. Dversos métodos têm sdo utlzados para resolver esse problema, desde que ele fo troduzdo, como por exemplo, método teratvo, téccas baseadas em gradete, método dos potos terores, programação lear e programação dâmca. Todava, as abordages covecoas usadas para a otmzação desse problema ão são adequadas, pos a 4219
2 Aas do XIX Cogresso Braslero de Automátca, CBA solução pode fcar retda em armadlhas de mímos locas (Coelho & Mara, 2006). Algus métodos heurístcos ão somete exploram as característcas dos problemas, como também especalmete fazem aaloga com outros métodos de otmzação ecotrados a atureza. Tas métodos heurístcos são chamados metaheurístcas (Glover & Gkocheberger, 2001) e depedem do problema a ser tratado. Dversos modelos do problema de despacho e- coômco de carga usado métodos metaheurístcos também já foram abordados em algus trabalhos da lteratura cetífca, cludo o emprego de métodos como algortmos geétcos (Walters & Sheble, 1993; Coelho & Mara, 2006), recozmeto smulado (Wog & Fug, 1993), busca tabu (L et al., 2002), otmzação de exame de partículas (Gag, 2003; Park et al., 2005), programação evolutva (Sha et al., 2003), otmzação extrema geeralzada (Dutra et al., 2010). O prcípo fudametal desses algortmos, também referecados como métodos bosprados, utlza um método costrutvo para a obteção da população cal (soluções factíves cas) e uma técca de busca local para melhorar a solução da população, cosderado que os dvíduos (soluções) dessa população são evoluídos de acordo com regras especfcadas que cosderam o tercâmbo de formações etre os dvíduos (Yag, 2008). Esse processo coduz a população em dreção à obteção de uma solução ótma. Tas algortmos são também cohecdos como algortmos de Itelgêca Coletva (Serapão, 2009). Este trabalho pretede utlzar três recetes métodos de otmzação evolutva bosprada resolver o problema de despacho ecoômco de carga, por causa da flexbldade e efcêca demostradas a solução de outros problemas NP dfíces, pos as abordages metaheurístcas permtem a serção de restrções de uma forma mas suave. Os métodos explorados este trabalho são: Otmzação por Exame de Partículas (Partcle Swarm Optmzato PSO) (Keedy & Eberhart, 1995), Busca por Harmoa (Harmoy Search HS) (Geems et al., 2001) e Algortmo de Vagalume (Frefly Algorthm FA) (Yag, 2009). 2 Modelagem do Problema de Despacho Ecoômco de Carga O propósto do problema de despacho ecoômco da geração de eerga termoelétrca é o escaloameto das saídas das udades de geração coveadas para ecotrar a demada de carga cosumdora a um custo mímo de operação, satsfazedo as restrções eretes às udades geradoras utlzadas e as restrções de gualdade e desgualdade mpostas pelo problema. O despacho ecoômco para a operação de grupos térmcos é descrto por um problema de programação matemátca multobjetvo que cosste em mmzar a fução que determa o custo de combustível (fução objetvo), ecotrado um perfl de geração ótmo, sujeto à satsfação da carga de eerga elétrca e aos lmtes téccos de operação dos grupos. Cosdere um parque de grupos térmcos com udades geradoras. O custo total de combustível a geração de eerga a ser mmzado é a soma das cotrbuções das udades geradoras dada por: m F ( P ) 1, (1) ode: F é a fução custo de combustível para a udade geradora (em $/h) e P (em MW) é a potêca forecda por essa udade. O custo varável de operação de cada udade poder ser expresso em fução da potêca de saída: sujeto a: F ( P ) a m P 2 P P P b P c, (2) max, (3) ode: a, b e c são restrções das característcas do gerador, e P m e P max são respectvamete as saídas de operação mímas e máxmas da udade geradora (em MW). A eerga gerada a partr de todas as udades comssoadas deve satsfazer à demada de carga, que é defda como: P PD PL 0 1, (4) ode: P D é a demada de carga total do sstema (em MW); P L é a perda de trasmssão (em MW). No despacho ecoômco de carga, as perdas de trasmssão do sstema devem calculadas como fuções das saídas das udades geradoras usado a matrz de coefcete B, da segute forma: PL BjPP j B 0P B00 j, (5) ode: B j é o j-ésmo elemeto da matrz de coefcete de perda, B 0 é o -ésmo elemeto do vetor de coefcete de perda e B 00 é a costate do coefcete de perda. A equação (3) represeta as restrções de desgualdade relatvas aos lmtes da capacdade de geração de potêca de cada udade geradora, equato que a equação (4) represeta as restrções de gualdade do balaço de potêca (ou seja, equlíbro etre suprmeto e demada). Os algortmos de otmzação baseados em colôas foram utlzados para mmzar a fução objetvo abaxo: m( f ) F ( P ) q1 abs P P D P L 1 1 (6) ode: q 1 é uma costate postva para pealzar as soluções que ão atedem ao equlíbro o balaço de carga. 4220
3 Aas do XIX Cogresso Braslero de Automátca, CBA Esta fução objetvo fo estabelecda para cotemplar ão apeas a dstrbução de carga as udades geradoras com custo baxo como também para satsfazer a restrção de gualdade do sstema. Dos ceáros dsttos foram vestgados o estudo de caso do despacho ecoômco de carga em um sstema termoelétrco. Os parâmetros utlzados os algortmos para o tratameto deste problema foram os mesmos dcados a Tabela 2. Em cada smulação realzou-se 5000 terações. 3 Algortmos de Otmzação Bosprados A segur apreseta-se um resumo sobre os algortmos de Itelgêca Coletva utlzados este trabalho: Otmzação por Exame de Partículas, Busca por Harmoa e Algortmo de Vagalume. 3.1 Otmzação por Exame de Partículas O algortmo PSO é uma técca de computação estocástca que fo proposto em 1995 por Keedy & Eberhart, baseado o comportameto de bados de pássaros. Os dvíduos da população são represetados por potos (x), deomados de partículas (p), que voam em um espaço de busca d, ode d é a dmesão do espaço, e represetam as soluções caddatas para um problema. As varações os atrbutos desses potos levam a ovos potos o espaço, ou seja, correspodem a movmetações o espaço do problema. Uma dea sprada em sstemas cogtvos é a de que essas partículas tederão a mover-se em dreção umas às outras e rão fluecar umas às outras. A maor parte dos algortmos de PSO empregam dos prcípos sóco-métrcos, que represetam dos tpos de formação mportate o processo de decsão. O prmero prcípo (g B ) coecta cocetualmete todos os membros de uma população etre s. Como cosequêca, o comportameto de cada partícula é fluecado pelo comportameto de todas as outras partículas. A seguda métrca (p B ) cra uma vzhaça para cada dvíduo composta por ele própro e seus vzhos mas próxmos. Ambas as métrcas são meddas por uma fução de avalação (f(p)), também chamada fução objetvo ou de aptdão (ftess), que correspode à optmaldade da solução do problema. Uma partícula p rá se mover em uma determada dreção que é fução da posção atual da partícula x (t), de uma velocdade v (t+1), da posção da partícula que levou ao seu melhor desempeho até o mometo (p B ), e do melhor desempeho global do sstema até o mometo (g B ). A velocdade da partícula é dada por: v (t+1) = v (t) + 1 rad() (p B x (t)) + 2 rad() (g B x (t)), (7) ode: é o peso de érca da partícula, escolhdo geralmete o tervalo [0, 1], que serve para lmtar a velocdade da partícula; 1 e 2 são costates lmtadas a um tervalo fto, deomados, respectvamete, como os compoetes cogtvo e socal ; rad() é um úmero aleatóro gerado o tervalo [0, 1]. Uma vez que a velocdade da partícula é calculada, a posção da partícula a próxma teração é estabelecda como uma fluêca adtva da posção atga e da velocdade calculada, sedo expressa por: x (t+1) = x (t) + v (t+1). (8) Para lmtar a velocdade de uma partícula para que o sstema ão extrapole o espaço de busca, são mpostos lmtes (v max ) para seus valores em cada dmesão (d) do espaço de busca: Se v > v max etão v = v max, Seão se v < v max etão v = v max. (9) O algortmo PSO é repetdo até que um crtéro de termação é atgdo ou as mudaças as velocdades das partículas estejam perto de zero. O pseudocódgo do algortmo, em sua forma orgal, é descrto o Algortmo 1. Algortmo 1: Procedmeto do PSO. 1) Determe o úmero de partículas P da população. 2) Icalze aleatoramete a posção cal (x) de cada partícula p de P. 3) Atrbua uma velocdade cal (v) gual para todas as partículas. 4) Para cada partícula p em P faça: a. Calcule sua aptdão fp = f(p). b. Calcule e melhor posção da partícula p até o mometo (p B ). 5) Descubra a partícula com a melhor aptdão de toda a população (g B ). 6) Para cada partícula p em P faça: a. Atualze a velocdade da partícula pela equação (7): b. Atualze a posção da partcular pela fórmula como em (8) e (9). 7) Se codção de térmo ão for alcaçada, retore ao passo Busca por Harmoa O algortmo de Busca por Harmoa, do glês Harmoy Search (HS), é uma metaheurístca baseada o processo de desempeho muscal que acotece quado um músco procura atgr um melhor estado da harmoa (Geem et al., 2001), assm como durate uma mprovsação do jazz. Na mprovsação muscal, cada músco toca um som qualquer do seu strumeto detro de uma extesão possível, produzdo juto um vetor de harmoa. Se todos os sos produzrem uma boa solução, esta experêca é armazeada em 4221
4 Aas do XIX Cogresso Braslero de Automátca, CBA cada memóra de varável e a possbldade de produzr uma boa solução é aumetada a próxma vez. O algortmo HS clu uma quatdade de operadores de otmzação, tas como a memóra harmôca (HM), o tamaho da memóra harmôca (HMS, úmero de vetores solução a memóra harmôca), o úmero de mprovsações (NI), a taxa de cosderação de memóra harmôca (HMCR), assumdo valor o tervalo [0, 1], e a taxa de ajuste do som (PAR), assumdo também valor o tervalo [0, 1]. No algortmo HS, a memóra harmôca (HM) guarda os vetores factíves (x ), os quas estão todos o espaço factível d, ode d é a dmesão do espaço. O tamaho da memóra harmôca determa quatos vetores podem ser armazeados. Um ovo vetor é gerado pela seleção aleatóra de compoetes de dferetes vetores da memóra harmôca. Se a ova harmoa é melhor que a por harmoa exstete a HM, a ova harmoa substtu a por harmoa da HM. Este procedmeto é repetdo até que uma harmoa fatástca seja ecotrada. Quado um músco mprovsa um som, geralmete ele segue uma das três regras: (1) tocar um tom de sua memóra, (2) tocar um tom próxmo a um som de sua memóra e (3) tocar um tom completamete aleatóro detro de uma escala possível. Smlarmete, quado cada varável de decsão escolhe um valor o algortmo HS, segue uma das três regras: (a) escolher qualquer valor da memóra HM (defdo como cosderações de memóra), (b) escolher um valor próxmo a um valor da memóra HM (defdo como ajustes de tom), e (c) escolher valor completamete aleatóro da possível extesão de valores (defdo como aleatoredade). As três regras o algortmo HS são drgdas efetvamete usado dos parâmetros, que são a taxa de cosderação da memóra harmôca (HMCR) e a taxa de ajuste de tom (PAR). HMCR geralmete é escolhdo o tervalo 0,7 0, 95 e PAR é comumete usado etre 0,1 0,5 a maor parte das aplcações. O ajuste de tom é realzado através da segute equação: x = x + b lm, (10) ode: x é uma harmoa presete em HM, b lm é a largura da bada do tom e é um úmero aleatóro gerado o tervalo [-1, 1]. Os passos o procedmeto da busca por harmoa são como descrtos a segur. Algortmo 2: Procedmeto da HS 1) Defr a fução objetvo f(x), x = (x 1,..., x d ) T. 2) Defr os parâmetros HMS, HMCR, PAR, NI. 3) Gerar as harmoas cas x ( = 1, 2,..., HMS) e guardar a memóra (HM). 4) Selecoe algumas das melhores harmoas da memóra (HM). 5) Se rad() > HMCR etão: a. escolha ao acaso uma harmoa exstete (x ); b. seão, se rad() > PAR etão:. ajuste o tom aleatoramete detro da escala toal, como a Eq. (10), produzdo x ;. seão, gere aleatoramete uma ova harmoa (x ). 6) Atualze HM se a ova harmoa (x ) for melhor que a atga (x ), fazedo x = x. 7) Retore ao Passo 4 até que o crtéro de termação seja satsfeto. Maores formações sobre este algortmo podem ser ecotradas em (Lee & Geem, 2005). 3.3 Algortmo de Vagalume O Algortmo de Vagalume (Frefly Algorthm FA) fo proposto por Yag (2008) e basea-se a característca de bolumescêca dos vagalumes. De acordo com Yag, embora a bologa ão coheça ada completamete a utldade das emssões lumosas dos vagalumes, três fuções já foram detfcadas: () como uma ferrameta de comucação e atração para acasalameto; () como uma sca para atração de evetuas presas para o vagalume; () como um mecasmo de alerta para potecas predadores, vsto que os vagalumes possuem um gosto amargo. As característcas de tesdade e termtêca da bolumescêca emtda pelos vagalumes para a atração de parceros o rto de acasalameto, assm como o feômeo de scrozação para a emssão dos flashes lumosos em um grupo de vagalumes, foram utlzadas para delear o algortmo computacoal baseado o comportameto destes setos. Três regras báscas foram dealzadas: (a) os vagalumes ão possuem sexo, de modo que qualquer vagalume poderá atrar ou ser atraído; (b) a atratvdade é proporcoal ao brlho emtdo e deca coforme aumeta a dstâca etre os vagalumes. Para dos vagalumes quasquer, o de meor brlho deve-se mover em dreção ao de maor brlho; (c) o brlho emtdo por um vagalume é determado pela sua avalação coforme a fução objetvo (.e., quato melhor avalado, mas brlhate). Deste modo, a tesdade de emssão de luz de um vagalume I(x ) é proporcoal à fução objetvo J(x ). Porém, a percepção da tesdade lumosa por um vagalume deca em fução da dstâca etre os vagalumes, devdo à absorção da luz pelo meo. A tesdade percebda por um vagalume é dada por: 2 r I( r) I e, (11) 0 ode: I 0 é a tesdade da luz emtda; r é a dstâca Eucldaa etre os vagalumes e j, sedo o vagalume mas brlhate e j o vagalume meos brlhate; e γ é o parâmetro de absorção da luz pelo meo. 4222
5 Aas do XIX Cogresso Braslero de Automátca, CBA A dstâca etre dos vagalumes e j as posções x e x j, respectvamete, é dada por: r j x x j d x k x k, j, k1 2, (12) ode: x,k é o k-ésmo compoete da coordeada espacal x do -ésmo vagalume e d é o úmero de dmesões. A fução de atratvdade de um vagalume é expressa como: m r ( r) e, com m 1 (13) 0 ode:, r é a dstâca etre dos vagalumes, β 0 é a atratvdade cal em r = 0, e γ é o coefcete de absorção que cotrola o decameto da tesdade de luz. A movmetação de um vagalume em dreção a outro vagalume j mas atratvo (mas brlhate) é defda por: 2 rj x x e ( x x ) ( rad() 1/ 2), (14) 0 j ode o prmero termo é a posção atual de um vagalume, o segudo termo é usado para represetar a atratvdade de um vagalume da tesdade de luz vsta por vagalumes adjacetes, e o tercero termo é usado para o movmeto aleatóro de um vagalume o caso de ão exstr ehum outro vagalume mas brlhate; é um fator de aleatoredade e rad() é um úmero gerado aleatoramete etre 0 e 1. A posção de cada vagalume utlzado o algortmo (represetada por x ) defe uma solução caddata. O pseudocódgo do algortmo de vagalume pode ser vsto a segur (Yag, 2008). Algortmo 3: Procedmeto do FA 1) Defr a fução objetvo J(x), x = (x 1,..., x d ) T. 2) Defr os parâmetros,, 0,, MaxGerações. 3) Gerar a população cal de vagalumes x ( = 1, 2,..., ). 4) Calcular a tesdade de luz I para x proporcoalmete a J(x ), como as Eq. (11) e (12). 5) Para cada vagalume x : a. Calcular o fator de atratvdade de acordo com e -^2, como em (13). b. Mover o vagalume x em dreção aos vagalumes mas brlhates, como em (14). c. Verfcar se o vagalume está detro dos lmtes. 6) Se o crtéro de covergêca for satsfeto, terme. Caso cotráro, retore ao passo 4. 4 Resultados Os algortmos PSO, HS e FA foram utlzados para resolver o problema de despacho ecoômco de carga em dos casos de teste para vestgar suas capacdades de otmzação. A segur apreseta-se uma descrção de cada um dos casos de testes avalados, também apresetados em Serapão (2009) Casos de teste Smulação 1: Sstema com 3 udades geradoras O prmero estudo de caso refere-se a três udades geradoras. A demada de potêca (P D ) a ser ecotrada pelas udades geradoras é 150 MW. Os dados do sstema são apresetados a Tab. 1. Tabela 1 Dados para as três udades termas de geração sobre capacdade e coefcetes Udade A b c P m P max ($/MW 2 ) ($/MW) ($) (MW) (MW) 1 0, ,009 6, ,007 6, Para este sstema, as matrzes B dos coefcetes de perda a lha de trasmssão (com capacdade de base de 100 MW) são dadas respectvamete por: B j B 0, ,0093 0, ,3 B 00 = 0, ,1 0,0093 0,0228 0,0017 1,5, 0,0028 0,0017 0,0179, Smulação 2: Sstema com 6 udades geradoras No segudo ceáro, o sstema cosste de ses udades geradoras, com 26 barrametos e 46 lhas de trasmssão. O sstema forece uma demada de carga total (P D ) de 700 MW. Em relação ao caso 1, a complexdade e a ão-leardade do problema são aumetadas. Na Tab. 2 estão dcados os dados do sstema. Tabela 2 Dados para as ses udades termas de geração sobre capacdade e coefcetes Udade a b c P m P max ($/MW 2 ) ($/MW) ($) (MW) (MW) 1 0, , ,0090 8, , , , ,
6 Aas do XIX Cogresso Braslero de Automátca, CBA As matrzes B dos coefcetes de perda a lha de trasmssão (com capacdade de base de 100 MW) são dadas respectvamete por: 0,14 0,17 0,15 0,19 0,26 0,22 0,17 0,60 0,13 0,16 0,15 0,20, 0,15 0,13 0,65 0,17 0,24 0,19 B 10 4 j 0,19 0,16 0,17 0,71 0,30 0,25 0,26 0,15 0,24 0,30 0,69 0,32 0,22 0,20 0,19 0,25 0,32 0, ,3908 0,1297 0,7047 0,0591 0,2161 0,6635 B 0 B 00 = 0, Avalação dos resultados Os algortmos para resolução do exemplo foram mplemetados em ambete computacoal Matlab da MathWorks, usado processador Itel Core 7 de 2,0 GHz com 4 GB de memóra. Os parâmetros de cada um dos algortmos avalados em todas as smulações foram estabelecdos com os valores exbdos a Tab. 3. Em todas as smulações utlzou-se o úmero de gerações gual a 5000 para todos os algortmos de otmzação. O valor da costate q 1 fo estabelecdo em A Tab. 4 exbe os resultados ecotrados em 20 execuções de cada um dos algortmos para cada caso estudado, mostrado o custo médo de todas as execuções, o desvo-padrão e a por (custo máxmo) e a melhor solução (custo mímo) ecotrada. Os valores em egrto represetam os melhores valores obtdos etre os três algortmos. O meor desvo-padrão fo obtdo com o PSO para o prmero estudo de caso e com o HS para o segudo estudo de caso. De modo geral, o PSO apresetou os melhores resultados o estudo do caso com três udades gerados, o que se refere à méda e ao resultado com valor mas baxo de custo máxmo que os demas algortmos. O mesmo se repetu com o algormo HS para o estudo do caso com ses udades geradoras. Etretato, a solução de custo mas baxo os dos casos fo ecotrada com a utlzação do FA. Pode ser observado que o FA satsfez todas as restrções do problema o prmero caso. Já ó segudo caso, a restrção da Eq. 4 fo lgeramete volada, pos a geração total de eerga fo um pouco feror em relação à somatóra da demada e das perdas as lhas de trasmssão. As Tab. 4 e 5 mostram, respectvamete, os resultados ecotrados para o prmero e o segudo estudo de caso, cosderado a melhor execução de cada um dos algortmos bosprados de otmzação para a mmzação do custo de geração de eerga. 5 Coclusão Neste artgo demostrou-se a factbldade da utlzação de algortmos de otmzação baseados em populações para a solução efcete do problema de despacho ecoômco de carga com restrções de geração. O algortmo PSO é largamete empregado a lteratura cetífca para a resolução dos mas varados tpos de problemas. Os algortmos HS e FA, embora perteçam à mesma categora de algortmos evolutvos que o PSO, são algortmos que ada têm o seu potecal bem meos explorados. Tabela 3 Valores dos parâmetros usados pelos algortmos de otmzação. PSO HS FA P (partículas) 20 HMS (tam. memóra) 20 (vagalumes) 20 1 (cogtvo) 2 HMCR (taxa de memóra) 0,8 (aleatoredade) 0,2 2 (socal) 2 PAR (taxa ajuste som) 0,4 0 (atratvdade) 1,0 (érca) 1 (coef. absorção) 1,0 Método Tabela 4 Resultados obtdos pelos algortmos PSO, HS e FA para mmzação do custo de despacho de carga em 20 execuções. Custo médo ($/h) Smulação 1 Smulação 2 Custo Custo Custo Custo Desvo máxmo mímo médo máxmo padrão ($/h) ($/h) ($/h) ($/h) Desvo padrão Custo mímo ($/h) PSO 1609,13 8, , , ,04 177, ,45 HS 1610,10 9, , , ,72 99, , ,06 FA 1617,34 10, , , ,82 176, , ,
7 Aas do XIX Cogresso Braslero de Automátca, CBA Tabela 5 Resultados da melhor smulação para o problema de despacho de carga para o sstema com 3 udades termas (expermeto 1). Saídas de potêca PSO HS FA Udade 1 (MW) 30,617 33,378 32,729 Udade 2 (MW) 66,759 61,615 63,843 Udade 3 (MW) 55,385 57,701 56,151 P L (MW) 2,76 2,69 2,72 P D (MW) P (MW) 152,76 152,69 152,72 Custo ($) 1600, , ,47 Tabela 6 Resultados da melhor smulação para o problema de despacho de carga para o sstema com 6 udades termas (expermeto 2). Saídas de potêca PSO HS FA Udade 1 (MW) 288, , ,312 Udade 2 (MW) 82,753 87,315 79,546 Udade 3 (MW) 132, , ,334 Udade 4 (MW) 50,00 60,855 69,700 Udade 5 (MW) 99,565 68,149 79,546 Udade 6 (MW) 57,768 61,960 63,778 P L (MW) 11,73 11,64 11,44 P D (MW) P (MW) 711,73 711,65 709,22 Custo ($) 8401, , ,45 Os três algortmos de otmzação baseados em população estudados mostraram capacdade de ecotrar soluções váves para o problema de despacho ecoômco de carga, que é um problema multmodal, ão dferecável, altamete ão-lear e sujeto a restrções. Tas algortmos possuem boas característcas de covergêca e robustez a obteção de soluções próxmas à solução ótma do problema de despacho ecoômco. Agradecmetos As autoras agradecem o apoo facero da Fudação de Amparo a Pesqusa do Estado de São Paulo (FAPESP) Processo º 2011/ e a FUNDUNESP. Referêcas Bblográfcas Abdo, M.A. (2003). A ovel multobjectve evolutoary algorthm for evrometal/ecoomc power dspatch, Electrc Power Systems Research, Vol. 65, No. 1, pp Coelho, L.; Mara, V. (2006). Otmzação de Despacho Ecoômco com Poto de Válvula Usado Estratéga Evolutva e Método de Quase-Newto. Revsta da Socedade Braslera de Redes Neuras, Vol. 4(1), pp Dutra, W.D.; Abreu, P.E.; Flávo, S.A.; Chaves, P.C.; Resede, L.C.; Maso, L.A.F. (2010). Otmzação Extrema Geeralzada Aplcada ao Problema de Despacho Ótmo de Potêca, Aas do IX Smpóso de Mecâca Computacoal, São João Del Re - MG. Gag, Z.L. (2003). Partcle swarm optmzato to solvg the ecoomc dspatch cosderg the geerator costrats, IEEE Tras. o Power Systems, vvl. 18, pp Geem, Z.W.; Km, J.H. ad Logaatha, G.V. (2001). A ew heurstc optmzato algorthm: harmoy search, Smulato, Vol. 76, No. 2, pp L, W.M.; Cheg, F.S.; Tsay, M.T. (2002). A mproved tabu search for ecoomc dspatch wth multple mma, IEEE Tras. o Power Systems, Vol. 17, pp Park, J.-B.; Lee, K.-S.; Sh, J.-R.; Lee, K. Y. (2005). A partcle swarm optmzato for ecoomc dspatch wth osmooth cost fucto, IEEE Trasactos o Power Systems, Vol. 20, No. 1, pp Glover, F.; Gkocheberger, G. (eds.) (2001). Hadbook Metaheurstcs, Kluwer Academc Publshers. Keedy, J.; Eberhart, R. (1995). Partcle Swarm Optmzato. Proceedgs of IEEE Iteratoal Coferece o Neural Networks, pp
8 Aas do XIX Cogresso Braslero de Automátca, CBA Lee, K.S. ad Geem, Z.W. (2005). A New Meta- Heurstc Algorthm for Cotuous Egeerg Optmzato: Harmoy Search Theory ad Practce. Computer Methods Appled Mechacs ad Egeerg, Vol. 194, No , pp Serapão, A.B.S. (2009). Fudametos de Otmzação por Itelgêca de Exames: uma Vsão Geral, Revsta SBA Cotrole & Automação, Vol. 20, No. 3, pp Sha, N.; Chakrabart, R.; Chattopadhyay, P. K. (2003). Evolutoary programmg techques for ecoomc load dspatch, IEEE Trasactos o Evolutoary Computato, Vol. 7, No. 1, pp Walters, D.C.; Sheble, G.B. (1993). Geectc Algorthm Soluto of Ecoomc Dspatch Wth Valve Pot Loadg. IEEE Trasactos o Power System, Vol. 8, No. 3, p.8. Wog, K.P.; Fug, C.C., (1993). Smulated Aealg Based Ecoomc Dspatch Algortm. IEE Proceedgs-C, Vol. 140, No. 6, pp. 7. Yag, X.-S. Frefly Algorthm. Nature-Ispred Metaheurstc Algorthms. Luver Press: Cambrdge, Yag, X.S. (2009). Frefly algorthms for multmodal optmzato. I: Stochastc Algorthms: Foudatos ad Appplcatos (Eds O. Wataabe ad T. Zeugma), SAGA 2009, Lecture Notes Computer Scece, 5792, Sprger-Verlag, Berl, pp
Projeto de rede na cadeia de suprimentos
Projeto de rede a cadea de suprmetos Prof. Ph.D. Cláudo F. Rosso Egehara Logístca II Esboço O papel do projeto de rede a cadea de suprmetos Fatores que fluecam decsões de projeto de rede Modelo para decsões
Leia maisPerguntas Freqüentes - Bandeiras
Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada
Leia maisRequisitos metrológicos de instrumentos de pesagem de funcionamento não automático
Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças
Leia maisA REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
Leia maisMA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04
MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de
Leia maisMAE116 Noções de Estatística
Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,
Leia maisMÉTODO COMPUTACIONAL AUTOMÁTICO TICO PARA PRÉ-PROCESSAMENTO PROCESSAMENTO DE IMAGENS RADIOGRÁFICAS. M. Z. Nascimento, A. F. Frère e L. A.
MÉTODO COMPUTACIONAL AUTOMÁTICO TICO PARA PRÉ-PROCESSAMENTO PROCESSAMENTO DE IMAGENS RADIOGRÁFICAS M. Z. Nascmeto, A. F. Frère e L. A. Neves INTRODUÇÃO O cotraste as radografas vara ao logo do campo de
Leia maisCapítulo 1: Erros em cálculo numérico
Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas
Leia maisAnálise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
Leia maisBUSCA HARMÔNICA DINÂMICA AUTO-AJUSTÁVEL APLICADA À PARAMETRIZAÇÃO MULTIOBJETIVO DE CONTROLADORES
Aas do XX Cogresso Braslero de Automátca Belo Horzote, MG, 0 a 4 de Setembro de 04 BUSCA HARMÔNICA DINÂMICA AUTO-AJUSTÁVEL APLICADA À PARAMETRIZAÇÃO MULTIOBJETIVO DE CONTROLADORES HELON V. HULTMANN AYALA
Leia maisCAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
Leia mais2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria
Avalação da seguraça dâmca de sstemas de eerga elétrca: Teora. Itrodução A avalação da seguraça dâmca é realzada através de estudos de establdade trastóra. Nesses estudos, aalsa-se o comportameto dos geradores
Leia maisSUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador
INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE GOVERNO DO ESTADO DO CEARÁ Cd Ferrera Gomes Goverador Domgos Gomes de Aguar Flho Vce Goverador SECRETARIA DO PLANEJAMENTO E GES- TÃO (SEPLAG)
Leia maisAlgoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações
Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do
Leia maisEstudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.
Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO - Estatístca Descrtva Podemos dvdr a Estatístca em duas áreas: estatístca dutva (ferêca estatístca) e estatístca descrtva. Estatístca Idutva: (Iferêca Estatístca)
Leia maisOtimização do Despacho Econômico de Energia Elétrica usando uma Combinação de Evolução Diferencial e Programação Quadrática Seqüencial
Otmzação do Despacho Ecoômco de Eerga Elétrca usado uma Combação de Evolução Dferecal e Programação Quadrátca Seqüecal Leadro dos Satos Coelho e Vvaa Cocco Mara Potfíca Uversdade Católca do Paraá rupo
Leia maisMatemática Financeira
Cocetos Báscos de Matemátca Facera Uversdade do Porto Faculdade de Egehara Mestrado Itegrado em Egehara Electrotécca e de Computadores Ecooma e Gestão Na prátca As decsões faceras evolvem frequetemete
Leia maisCapítulo 5 EQUAÇÕES DE CONSERVAÇÃO DA MASSA
Capítulo 5 EQUAÇÕES DE CONSERVAÇÃO DA MASSA O objetvo deste capítulo é apresetar formas da equação da coservação da massa em fução de propredades tesvas faclmete mesuráves, como a temperatura, a pressão,
Leia maisJUROS SIMPLES. i 100 i 100. TAXA PROPORCIONAL: É aquela que aplicada ao mesmo capital, no mesmo prazo, produze o mesmo juros.
JUROS MONTANTE JUROS SIMPLES J = C 0 * * t 00 M = C * + * t 00 TAXA PROPORCIONAL: É aquela que aplcada ao mesmo captal, o mesmo prazo, produze o mesmo juros. * = * JUROS COMPOSTOS MONTANTE M = C * + 00
Leia maisOptimização e controlo da poluição atmosférica
Optmzação e cotrolo da polução atmosférca A. Ismael F. Vaz e Eugéo C. Ferrera Departameto de Produção e Sstemas, Escola de Egehara, Uversdade do Mho Emal: avaz@dps.umho.pt Cetro de Egehara Bológca, Escola
Leia maisINTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA
INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação
Leia maisI Seminário da Pós-graduação em Engenharia Elétrica
MÉTODO PRIMAL-DUAL DE PONTOS INTERIORES EM PROBLEMAS DE DESPACHO ECONÔMICO COM RESTRIÇÃO AMBIENTAL Améla de Lorea Staza Alua do Programa de Pós-Graduação em Egehara Elétrca Uesp Bauru Prof. Dr. Atôo Roberto
Leia maisMonitoramento ou Inventário Florestal Contínuo
C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo
Leia maisIND 1115 Inferência Estatística Aula 9
Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca
Leia mais2 Estrutura a Termo de Taxa de Juros
Estrutura a Termo de Taxa de Juros 20 2 Estrutura a Termo de Taxa de Juros A Estrutura a termo de taxa de juros (também cohecda como Yeld Curve ou Curva de Retabldade) é a relação, em dado mometo, etre
Leia maisFaculdade de Economia, Administração e Contabilidade de Ribeirão Preto
Faculdade de Ecooma, Admstração e Cotabldade de Rberão Preto Ecooma Moetára Curso de Ecooma / º. Semestre de 014 Profa. Dra. Rosel da Slva Nota de aula CAPM Itrodução Há dos modelos bastate utlzados para
Leia maisAVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA
versão mpressa ISSN 00-7438 / versão ole ISSN 678-542 AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA Luís Alberto Duca Ragel UFF-COPPE/PEP/UFRJ
Leia maisBruno Hott Algoritmos e Estruturas de Dados I DECSI UFOP. Aula 10: Ordenação
Bruo Hott Algortmos e Estruturas de Dados I DECSI UFOP Aula 10: Ordeação O Crtéro de Ordeação Ordea-se de acordo com uma chave: typedef t TChave; typedef struct{ TChave chave; /* outros compoetes */ Item;
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisCapítulo 6 - Centro de Gravidade de Superfícies Planas
Capítulo 6 - Cetro de ravdade de Superfíces Plaas 6. Itrodução O Cetro de ravdade (C) de um sóldo é um poto localzado o própro sóldo, ou fora dele, pelo qual passa a resultate das forças de gravdade que
Leia maisEstatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Leia maisMEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Leia maisPerguntas freqüentes Credenciadores
Pergutas freqüetes Credecadores Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte pelo facameto da compra pelo emssor?
Leia maisCapitulo 8 Resolução de Exercícios
FORMULÁRIO Audades Peródcas, Crescetes e Postecpadas, com Termos em P. A. G 1 1 1 1 G SPAC R R s s 1 1 1 1 1 G G C R a R a 1 1 PAC Audades Gradetes Postecpadas S GP G 1 1 ; C GP G 1 1 1 Audades Gradetes
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 maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores
Leia maisForma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
Leia mais1 SISTEMA FRANCÊS DE AMORTIZAÇÃO
scpla de Matemátca Facera 212/1 Curso de Admstração em Gestão Públca Professora Ms. Valéra Espídola Lessa EMPRÉSTIMOS Um empréstmo ou facameto pode ser feto a curto, médo ou logo prazo. zemos que um empréstmo
Leia maisAPLICAÇÕES DE MÉTODOS DE ENERGIA A PROBLEMAS DE INSTABILIDADE DE ESTRUTURAS
PONTIFÍCI UNIVERSIDDE CTÓLIC DO RIO DE JNEIRO DEPRTMENTO DE ENGENHRI CIVIL PLICÇÕES DE MÉTODOS DE ENERGI PROBLEMS DE INSTBILIDDE DE ESTRUTURS Julaa Bragh Ramalho Raul Rosas e Slva lua de graduação do curso
Leia maisNota Técnica n o 037/2013-SRG/ANEEL. Em 17 de maio de 2013. Processo: 48500.002907/2010-89
Nota Técca o 037/2013-SRG/ANEEL Em 17 de mao de 2013. Processo: 48500.002907/2010-89 Assuto: Cosoldação de todas as regulametações referetes à apuração de dspobldades de empreedmetos de geração de eerga
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisÍNDICE DE TERMOS: MOTOR DEDICADO, PADRONIZAÇÃO;
Aplcação de Motores de Méda esão dedcados acoados por versor de frequêca e utlzação de um úco projeto em dferetes solctações de carga. Gleuber Helder Perera Rodrgues Esp. Eg. WEG Brasl gleuber@weg.et Alex
Leia maisFINANCIAMENTOS UTILIZANDO O EXCEL
rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas
Leia maisModelo Computacional Unidimensional do Transporte de solutos na Zona Não-saturada do Solo
ISSN 984-828 Modelo Computacoal Udmesoal do Trasporte de solutos a Zoa Não-saturada do Solo Mara de ourdes Pmetel Pzarro Academa da Força Aérea 64-, Prassuuga, SP E-mal: malu@vgaova.com.br Edso Wedlad,
Leia maisANAIS O JOGO DA LOGÍSTICA E SUAS VARIANTES NO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES
O JOGO DA LOGÍSTICA E SUAS VARIANTES NO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES MARCOS RICARDO ROSA GEORGES ( marcos.georges@puc-campas.edu.br, marcos_georges@yahoo.com.br ) PUC-CAMPINAS Resumo Este artgo
Leia mais(1) no domínio : 0 x < 1, : constante não negativa. Sujeita às condições de contorno: (2-a) (2-b) CC2: 0
EXEMPLO MOTIVADO II EXEMPLO MOTIVADO II Método da Apromação Polomal Aplcado a Problemas Udrecoas sem Smetra. Equações Dferecas Ordáras Problemas de Valores o otoro Estrutura Geral do Problema: dy() d y()
Leia maisMatemática. Resolução das atividades complementares. M18 Noções de Estatística
Resolução das atvdades complemetares Matemátca M8 Noções de Estatístca p. 3 (UFRJ) Dos estados do país, um certo ao, produzem os mesmos tpos de grãos. Os grácos de setores lustram a relação etre a produção
Leia maisE-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno.
Matemátca Facera 2007.1 Prof.: Luz Gozaga Damasceo 1 E-mals: damasceo1204@yahoo.com.br damasceo@terjato.com.br damasceo12@hotmal.com http://www. damasceo.fo www. damasceo.fo damasceo.fo Obs.: (1 Quado
Leia maisEstatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc.
Estatístca Notas de Aulas ESTATÍSTICA Notas de Aulas Professor Iáco Adrus Gumarães, DSc. Professor Iáco Adrus Gumarães, DSc. Estatístca Notas de Aulas SUMÁRIO CONCEITOS BÁSICOS 5. Estatístca. Estatístca
Leia maisÁLBUNS DE FIGURINHAS, O PROBLEMA DO COLECIONADOR DE CUPONS E PROGRAMAÇÃO EM VBA?
ÁLBUNS DE FIGURINHAS, O PROBLEMA DO COLECIONADOR DE CUPONS E PROGRAMAÇÃO EM VBA? Fláva Fretas Maa Rafael G Barbastefao 2 Dayse Hame Pastore 3 Resumo: Este trabalho apreseta uma proposta de estudo do Problema
Leia maisCAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Leia maisMétodos iterativos. Capítulo O Método de Jacobi
Capítulo 4 Métodos teratvos 41 O Método de Jacob O Método de Jacob é um procedmeto teratvo para a resolução de sstemas leares Tem a vatagem de ser mas smples de se mplemetar o computador do que o Método
Leia maisELECTROTECNIA TEÓRICA MEEC IST
ELECTROTECNIA TEÓRICA MEEC IST º Semestre 05/6 3º TRABALHO LABORATORIAL CIRCUITO RLC SÉRIE em Regme Forçado Alterado Susodal Prof. V. Maló Machado Prof. M. Guerrero das Neves Prof.ª Mª Eduarda Pedro Eg.
Leia maisUMA ANÁLISE ESPACIAL DA INSUFICIÊNCIA E DA DESIGUALDADE DE RENDA NOS MUNICÍPIOS SERGIPANOS, 1991-2000
Aas III Smpóso Regoal de Geoprocessameto e Sesorameto Remoto Aracaju/SE, 25 a 27 de outubro de 2006 UMA ANÁLISE ESPACIAL DA INSUFICIÊNCIA E DA DESIGUALDADE DE RENDA NOS MUNICÍPIOS SERGIPANOS, 99-2000 OLIVEIRA,
Leia mais5 Critérios para Análise dos Resultados
5 Crtéros para Aálse dos Resultados Este capítulo tem por objetvos forecer os crtéros utlzados para aálse dos dados ecotrados a pesqusa, bem como uma vsão geral dos custos ecotrados e a forma de sua evolução
Leia maisAlgoritmo Evolução Diferencial Adaptado para o Problema das P-Medianas
Proceedg Seres of the Brazla Socety of Appled ad Computatoal Mathematcs, Vol. 2, N., 204. Trabalho apresetado o CMAC-Sul, Curtba-PR, 204. Algortmo Evolução Dferecal Adaptado para o Problema das P-Medaas
Leia maisTeoria da Amostragem
Teora da Amostragem I- oções fudametas sobre amostragem. Amostragem é todo o processo de recolha de uma parte, geralmete pequea, dos elemetos que costtuem um dado couto. Da aálse dessa parte pretede obter-se
Leia maisConfiabilidade Estrutural
Professor Uversdade de Brasíla Departameto de Egehara Mecâca Programa de Pós graduação em Itegrdade Estrutural Algortmo para a Estmatva do Idce de Cofabldade de Hasofer-Ld Cofabldade Estrutural Jorge Luz
Leia maisAna Clara P. Campos 1 Denise Nunes Viola 1 Moacyr Cunha Filho 2 Guilherme Vilar 2 Vanessa Van Der Linden 3
Idetfcação da exstêca de padrão espacal aleatóro a dstrbução dos pacetes portadores de doeça geétca rara com defcêca físca da Assocação de Assstêca à Craça Defcete (AACD) de Perambuco Aa Clara P. Campos
Leia maisAvaliação da Localização de Base de Atendimento para Equipamentos de Movimentação de uma Empresa Siderúrgica
Avalação da Localzação de Base de Atedmeto para Equpametos de Movmetação de uma Empresa Sderúrgca Leadro Ferades da Slva Leadro.Ferades@cs.com.br UFF Ilto Curty Leal Juor ltocurty@gmal.com UFRJ Paul Adrao
Leia maisCentro de Ciências Agrárias e Ambientais da UFBA Departamento de Engenharia Agrícola
Cetro de Cêcas Agráras e Ambetas da UFBA Departameto de Egehara Agrícola Dscpla: AGR Boestatístca Professor: Celso Luz Borges de Olvera Assuto: Estatístca TEMA: Somatóro RESUMO E NOTAS DA AULA Nº 0 Seja
Leia maisAula 9. Aula de hoje. Aula passada. Self-normalized Importance Sampling Gerando amostras complicadas Variância amostral Simulação
Aula 9 Aula passada Método da rejeção (rejecto samplg) Exemplos Importace Samplg Exemplos Geeralzação Aula de hoje Self-ormalzed Importace Samplg Gerado amostras complcadas Varâca amostral Smulação Importace
Leia mais8 Programação linear 78
8 Programação lear 78 8 Programação lear A programação lear cosderou duas fuções objetvo: (a) maxmzação da comercalzação do gás e (b) mmzação das perdas (recetas e multas cotratuas). Foram dealzados dos
Leia maisPUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO
PUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO A expressão dados, será ctada dversas vezes esta dscpla, em lguagem ormal, dados são ormações (úmeros ou ão) sobre um dvíduo (pessoa,
Leia maisCálculo de média a posteriori através de métodos de integração numérica e simulação monte carlo: estudo comparativo
INGEPRO Iovação, Gestão e Produção Jaero de 010, vol. 0, o. 01 www.gepro.com.br Cálculo de méda a posteror através de métodos de tegração umérca e smulação mote carlo: estudo comparatvo Helto Adre Lopes
Leia maisM = C( 1 + i.n ) J = C.i.n. J = C((1+i) n -1) MATEMÁTICA FINANCEIRA. M = C(1 + i) n BANCO DO BRASIL. Prof Pacher
MATEMÁTICA 1 JUROS SIMPLES J = C.. M C J J = M - C M = C( 1 +. ) Teste exemplo. ados com valores para facltar a memorzação. Aplcado-se R$ 100,00 a juros smples, à taxa omal de 10% ao ao, o motate em reas
Leia maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
XLVI Pesqusa Operacoal a Gestão da Seguraça Públca DISPOSIÇÃO DE FACILIDADES EM FILA DUPLA VIA PROGRAMAÇÃO INTEIRA MISTA Leoardo D. Secch Departameto de Matemátca Aplcada, UFES, 29932-540, São Mateus,
Leia maisAMOSTRAGEM EM DOIS ESTÁGIOS COM UNIDADES PRIMÁRIAS DE TAMANHOS DIFERENTES SUBSAMPLING TO TWO PROBATION WITH PRIMARY UNITS OF UNEQUAL SIZES
Cêca Florestal, v.6,., p.47-55 47 ISS 003-9954 AMOSTRAGEM EM DOIS ESTÁGIOS COM UIDADES PRIMÁRIAS DE TAMAHOS DIFERETES SUBSAMPLIG TO TWO PROBATIO WITH PRIMARY UITS OF UEQUAL SIZES Sylvo Péllco etto RESUMO
Leia maisMétodos de pontos interiores com estratégia de barreira logarítmica modificada em problemas multiobjetivo de despacho econômico e ambiental
Métodos de potos terores com estratéga de barrera logarítmca modfcada em problemas multobetvo de despacho ecoômco e ambetal Améla de Lorea Staza Atoo Roberto Balbo Leoardo Nepomuceo Edméa Cássa Baptsta
Leia maisTabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
Leia maisUERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes
UERJ CTC IE Departameto de Iormátca e Cêca da Computação Udade I - Erros as apromações umércas. I. - Cosderações geras. Há váras stuações em dversos campos da cêca em que operações umércas são utlzadas
Leia maisNOTAS DE AULA DA DISCIPLINA CE076. ], T 2 = conhecido como T 2 de Hotelling
4 INFERÊNCIA SOBRE O VETOR DE MÉDIAS 4. TESTE PARA UM VETOR DE MÉDIAS µ Lembrado o caso uvarado: H : µ = µ H : µ µ Nível de sgfcâca: α Estatístca do teste: X µ t = s/ ~ t Decsão: se t > t - (α/) rejeta-se
Leia maisPROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS
PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS Prof José Leoardo Noroha M Eg Departameto de Egehara de Prodção Escola Federal de Egehara de Itabá EFEI RESUMO: Neste trabalho
Leia mais3 Procedimento Experimental
3 Procedmeto Expermetal 3. Sstema de medção de vazão com extesômetro A Fg. 9 mostra o sstema de medção de vazão com extesômetro, o qual fo motado o laboratóro da PUC-Ro. este sstema, duas tubulações com,5
Leia maisANÁLISE MULTICRITÉRIO DO PROBLEMA DE DESPACHO ECONÔMICO E AMBIENTAL SOB CONDIÇÕES DE INCERTEZA
AÁLISE MULTICRITÉRIO DO PROBLEMA DE DESPACHO ECOÔMICO E AMBIETAL SOB CODIÇÕES DE ICERTEZA Mguel Motero Costa*¹, Lucas de Souza Batsta² ¹Programa de Pós-Graduação em Egehara Elétrca - Uversdade Federal
Leia mais3 Precificação de resseguro
Precfcação de Resseguro 35 3 Precfcação de resseguro Este capítulo traz prmeramete uma oção ampla das aplcações das metodologas de precfcação de resseguro para melhor compreesão do mesmo Da seção 3 até
Leia maisProjeto e Análise de Algoritmos Recorrências. Prof. Humberto Brandão
Projeto e Aálse de Algortmos Recorrêcas Prof. Humberto Bradão humberto@dcc.ufmg.br Uversdade Federal de Alfeas Laboratóro de Pesqusa e Desevolvmeto LP&D Isttuto de Cêcas Exatas ICEx versão da aula: 0.
Leia maisUma Calculadora Financeira usando métodos numéricos e software livre
Uma Calculadora Facera usado métos umércos e software lvre Jorge edraza Arpas, Julao Sott, Depto de Cêcas e Egeharas, Uversdade Regoal ItegradaI, URI 98400-000-, Frederco Westphale, RS Resumo.- Neste trabalho
Leia maisSumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisCapitulo 1 Resolução de Exercícios
S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes
Leia maisde Energia Geração Térmica
Sstema Itegrado de Plaeameto e Comercalzação de Eerga Geração Térmca Rafael de Souza Favoreto, CEHPAR LACTEC; Marcelo Rodrgues Bessa, CEHPAR LACTEC; Wlso Tadeu Pzzatto, COPEL; Luz Roberto Morgester Ferrera,
Leia mais1) Planejamento da Produção - Modelos de dimensionamento de lotes (lot sizing)
Departameto de Egehara de Produção UFPR 28 1) Plaeameto da Produção - Modelos de dmesoameto de lotes (lot szg) É cohecdo horzote de plaeameto T, dvddo em períodos; demada (geralmete varável) de cada tem
Leia maisA Medição e o Erro de Medição
A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisProf. Dr. Marco Antonio Leonel Caetano Projeção de Cenários Aplicados ao Orçamento Empresarial Com revisão das Ferramentas de Estatística
Projeção de Ceáros Aplcados ao Orçameto Empresaral Com revsão das Ferrametas de Estatístca Prof. Dr. Marco Atoo Leoel Caetao TÓPICO Tratameto, Quatfcação e Vsualzação de Dados Faceros. Itrodução Na dvulgação
Leia maisMédia. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
Leia maisOlá, amigos concursandos de todo o Brasil!
Matemátca Facera ICMS-RJ/008, com gabarto cometado Prof. Wager Carvalho Olá, amgos cocursados de todo o Brasl! Veremos, hoje, a prova do ICMS-RJ/008, com o gabarto cometado. - O artgo º da Le.948 de 8
Leia maisEstabilidade no Domínio da Freqüência
Establdade o Domío da Freqüêca Itrodução; apeameto de Cotoros o Plao s; Crtéro de Nyqust; Establdade Relatva; Crtéro de Desempeho o Domío do Tempo Especfcado o Domío da Freqüêca; Bada Passate de Sstema;
Leia maisLealdade à Marca e Sensibilidade ao Preço: Um Estudo da Escolha da Marca pelo Consumidor. Autoria: Delane Botelho, André Torrres Urdan.
Lealdade à Marca e Sesbldade ao Preço: Um Estudo da Escolha da Marca pelo Cosumdor Autora: Delae Botelho, Adré Torrres Urda Resumo Este artgo usa dados em pael do tpo escaeados, desagregados ao ível de
Leia maisDifusão entre Dois Compartimentos
59087 Bofísca II FFCLRP USP Prof. Atôo Roque Aula 4 Dfusão etre Dos Compartmetos A le de Fck para membraas (equação 4 da aula passada) mplca que a permeabldade de uma membraa a um soluto é dada pela razão
Leia maisAtividades Práticas Supervisionadas (APS)
Uversdade Tecológca Federal do Paraá Prof: Lauro Cesar Galvão Campus Curtba Departameto Acadêmco de Matemátca Cálculo Numérco Etrega: juto com a a parcal DATA DE ENTREGA: da da a PROVA (em sala de aula
Leia maisd s F = m dt Trabalho Trabalho
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Trabalho 1. Itrodução
Leia maisUnidade II ESTATÍSTICA
ESTATÍSTICA Udade II 3 MEDIDAS OU PARÂMETROS ESTATÍSTICOS 1 O estudo que fzemos aterormete dz respeto ao agrupameto de dados coletados e à represetação gráfca de algus deles. Cumpre agora estudarmos as
Leia maisOrdenação por Partição (Quick Sort)
Vectores: Algortmos de Ordeação (2) Algortmos e Estruturas de Dados 2009/2010 Ordeação por Partção (Quck Sort) Algortmo (ordeação por partção): 1. Caso básco: Se o úmero () de elemetos do vector (a) a
Leia maisProjeção Populacional 2013-2020 para a Cidade do Rio de Janeiro: uma aplicação do método AiBi
ISSN 1984-7203 Projeção Populacoal 2013-2020 para a Cdade do Ro de Jaero: uma aplcação do método AB Nº 20130102 Jaero - 2013 Iva Braga Ls 1, Marcelo Pessoa da Slva, Atoo Carlos Carero da Slva, Sérgo Gumarães
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 maisUNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA NÚMEROS ÍNDICES
UNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA NÚMEROS ÍNDICES Aa Mara Lma de Faras Luz da Costa Laurecel Com a colaboração dos motores Maracajaro
Leia maisTREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS UTILIZANDO ENHANCED-CONTINUOUS-GRASP
Aas do IX Cogresso Braslero de Redes Neuras /Itelgêca Computacoal (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Socedade Braslera de Redes Neuras TREINAMENTO DE UMA REDE PERCEPTRON DE MÚLTIPLAS CAMADAS
Leia mais