Geração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita
|
|
- Luca Almeida
- 5 Há anos
- Visualizações:
Transcrição
1 Geração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita Geraldo R. Mauri Universidade Federal do Espírito Santo - UFES mauri@cca.ufes.br Luiz A. N. Lorena Instituto Nacional de Pesquisas Espaciais - INPE lorena@lac.inpe.br Resumo: Este trabalho apresenta uma nova alternativa, baseada na técnica de geração de colunas (GC), para resolver uma decomposição lagrangeana proposta recentemente para o problema de programação quadrática binária irrestrita (PQ). O problema é representado por meio de um grafo, que é dividido em clusters de vértices. Para cada cluster, é formado um subproblema gerador de colunas e, um problema coordenador, formado por restrições referentes a arestas relaxadas do grafo original, é formado para guiar todo o processo. Resultados computacionais são comparados a outros métodos recentes encontrados na literatura. Palavras-chave: Geração de Colunas, Decomposição Lagrangeana, Programação Quadrática 1 Introdução O problema de programação quadrática binária irrestrita (PQ) é um dos problemas clássicos em otimização não linear que consiste em maximizar(ou minimizar) uma função objetivo quadrática por meio da escolha de valores apropriados para as variáveis de decisão binárias. O PQ é um problema NP-Hard [2], e apresenta uma grande quantidade de aplicações em diversas áreas, além de abordar inúmeros problemas modelados por meio de grafos, como clique máximo, máximo conjunto independente, e outros. Atualmente, os métodos exatos existentes para resolução do PQ são restritos a problemas com até 200 variáveis. Já os métodos heurísticos têm apresentado bons resultados para instâncias com até 6000 variáveis [9]. Glover et al. [3] apresentam várias heurísticas para resolução do PQ. Essas heurísticas são testadas por meio de várias instâncias com até 2500 variáveis. Billionnet e Elloumi [2] aplicam técnicas de convexificação da função objetivo do PQ, e apresentam resultados para instâncias com até 200 variáveis. Mauri e Lorena [6] propõem duas abordagens baseadas na relaxação lagrangeana com divisão emclustersparaobtençãodelimitantesparaopq.em[7], éapresentadoummétododegcpara resolver a melhor abordagem obtida em [6] e, em [8], são apresentadas diferentes alternativas de decomposição lagrangeana, além de outros métodos para obtenção de limitantes para o PQ. Este trabalho propõe uma nova alternativa, baseada na técnica de geração de colunas (GC), para resolver uma decomposição lagrangeana proposta recentemente para o PQ. Como base para este trabalho, foi utilizada a decomposição lagrangeana que obteve os melhores resultados entre as várias alternativas descritas em [8]. Ao invés de utilizar um algoritmo de subgradientes para resolver o dual associado à decomposição do problema, como em [8], propõe-se a utilização da GC, por meio da utilização das variáveis duais obtidas de um problema coordenador formado pelas restrições relaxadas na decomposição. 171
2 2 Decomposição Lagrangeana Apresentada em [8] Considerando uma matriz de números reais Q = [q ij ] m m, o PQ é escrito da seguinte forma: m m PQ : v(pq) = max q ij x i x j (1) x {0,1} i=1 j=1 OPQpodeserlinearizadopormeiodasubstituiçãodostermosquadráticosx i x j pelavariável contínuaw ij eporrestriçõesquegarantamquew ij =x i x j. Logo, tem-seumaversãolinearinteira mista de PQ (2)-(7). Por convenção, esse modelo será chamado PQL. Sujeito a: m PQL : v(pql) = max ii x i i=1q + q ij w ij (2) i j w ij x i 0 i j, q ij > 0 (3) w ij x j 0 i j, q ij > 0 (4) x i +x j w ij 1 i j, q ij < 0 (5) w ij 0 i j, q ij < 0 (6) x i {0,1} i = 1,...,m (7) A partir da matriz Q, pode-se criar um grafo G = (V,E) com V = {1,...,m} e uma matriz de adjacências E = [e ij ] m m, e ij = 1 se q ij 0 e e ij = 0 se q ij = 0. Particionando o grafo G em n (n m) clusters independentes, tem-se V = V 1 V 2... V n, e V i V j =, para i,j = 1,...,n, i j; G i = (V i,e i ), i = 1,...,n, e X i = V V i, i = 1,...,n. Logo, o modelo PQL pode ser reescrito da seguinte forma: PQL n : v(pql n ) = max q ii x i + k=1 i V k Sujeito a: i V k ; j V k ; i j q ij w ij + i V k ; j X k ; i j q ij w ij w ij x i 0 i V k, j V k, i j, q ij > 0, k = 1,...,n (9) w ij x j 0 i V k, j V k, i j, q ij > 0, k = 1,...,n (10) x i +x j w ij 1 i V k, j V k, i j, q ij < 0, k = 1,...,n (11) w ij 0 i V k, j V k, i j, q ij < 0, k = 1,...,n (12) w ij x i 0 i V k, j X k, i j, q ij > 0, k = 1,...,n (13) w ij x k j 0 i V k, j X k, i j, q ij > 0, k = 1,...,n (14) x i +x k j w ij 1 i V k, j X k, i j, q ij < 0, k = 1,...,n (15) w ij 0 i V k, j X k, i j, q ij < 0, k = 1,...,n (16) x j x k j = 0 j X k, k = 1,...,n (17) w ij w ji = 0 i V k, j X k, j > i, k = 1,...,n (18) x i {0,1} i V k, k = 1,...,n (19) As variáveis x k j representam as cópias do vértice j (j ) no cluster k, e as variáveis w ij representam as arestas entre os vértices i e j (cópia de j). As restrições (9)-(12) tratam apenas as arestas (i, j) cujos vértices são internos ao cluster (sub-grafo) k. Já as restrições (13)-(16) (8) 172
3 tratam as arestas (i, j) cujos vértices estão em clusters distintos. As restrições (17) e (18) são as restrições de cópia, que garantem a igualdade entre as variáveis originais e suas cópias. Relaxando as restrições (17) e (18) no sentido lagrangeano, por meio dos vetores de multiplicadores α e β ( α e β irrestritos), o problema PQL n pode ser dividido em n subproblemas independentes. Assim, cada subproblema k (k = 1,...,n) é formulado da seguinte forma: DC αβ PQL k : v(dc αβ PQL k ) = max ( q ii ) αi d x i + αj kxk j + q ij w ij + i V k d k j X k i V k j V k ; j i (q ij β ij )w ij + (q ij +β ji )w ij i V k j X k ; i V k j X k ; j>i j<i Sujeito a: (9),(10),...,(15) e (19) (retirando o termo k = 1,...,n) (20) w ij {0,1} i V k, j X k, i j, q ij < 0 (21) x k j {0,1} j X k (22) As restrições (21) e (22) são inseridas no modelo para manter a viabilidade das soluções dos subproblemas. Por fim, a decomposição do problema PQL em n subproblemas é dada pela expressão (23), e o seu dual lagrangeano é apresentado na expressão (24). DC αβ PQL n : v(dc αβ PQL n ) = v(dc αβ PQL k ) (23) DL αβ PQL n : v(dl αβ PQL n ) = min{v(dc αβ PQL n ), α, β irrestritos} (24) k=1 Mauri e Lorena[8] utilizaram um algoritmo de subgradientes para resolver o dual lagrangeano e o CPLEX para resolver os k subproblemas. Para a divisão do grafo G, os autores utilizaram a heurística METIS [5], que consiste em: dado um grafo G = {V,A}, e um número pré-definido n de partições, dividir o grafo G em n clusters de tamanhos semelhantes (mesmo número de vértices) com o objetivo de minimizar o número de arestas com terminações em clusters distintos. 3 Geração de Colunas Proposta A partir das ideias de Mauri e Lorena [8], a geração de colunas é proposta como alternativa para determinar os multiplicadores lagrangeanos, e consequentemente resolver a decomposição do problema original PQ. Assim, com o intuito de facilitar a compreensão do método proposto, o modelo descrito pelas expressões (8) a (19) pode ser representado matricialmente da seguinte forma: PQL n : v(pql n ) = max Sujeito a : k=1 A 1 A 2 A n B B B n ( q k xx k +0x k +q k ww k +q k w w k) (25) x 1 x 1 w 1 w 1. x n x n w n w n [ ] b A b B (26) 173
4 q k x é um vetor linha com os coeficientes das variáveis x i, i V k ; q k w é um vetor linha com os coeficientes das variáveis w ij, i V k e j V k ; q k w é um vetor linha com os coeficientes das variáveis w ij, i V k e j X k ; B k é uma matriz com os coeficientes das variáveis presentes nas restrições (9) a (16); A k é uma matriz com os coeficientes das variáveis presentes nas restrições de cópia (17) e (18); x k é um vetor coluna com os valores das variáveis de decisão x i, i V k ; x k é um vetor coluna com os valores das variáveis de decisão x k j, j X k; w k é um vetor coluna com os valores das variáveis de decisão w ij, i V k e j V k ; w k é um vetor coluna com os valores das variáveis de decisão w ij, i V k e j X k ; Por fim, representa os operadores relacionais (, ou =), e b A e b B são vetores coluna com os valores do lado direito das restrições (17)-(18) e (9)-(16), respectivamente. Considerando R k como sendo as restrições associadas ao subproblema k (k = 1,...,n), o modelo referente a cada subproblema pode ser reescrito da seguinte forma: DC αβ PQL k : v(dc αβ PQL k ) = max [ [ ] T α q k x 0 q k w q k w ] β x k x k w k w k : xk,x k,w k,w k satisfazendo Rk A implementação clássica da técnica de geração de colunas utiliza um problema coordenador, ou Problema Mestre Restrito (PMR), e subproblemas geradores de colunas para formá-lo. O PMR, por meio de suas variáveis duais, direciona os subproblemas na busca de novas colunas. Assim, aplicando a decomposição Dantzig-Wolfe no modelo PQL n, tem-se: PMR : v(pmr) = max λ sk k=1s S k (27) ( q k xx sk +0x sk +q k ww sk +q k w w sk) (28) Sujeito a: λ sk A k k=1s S k x sk x sk w sk w sk ba (29) s S k λ sk = 1 k {1,...,n} (30) λ sk 0 k {1,...,n}, s S k (31) O conjunto de pontos extremos do subproblema k é dado por S k. x sk, x sk, w sk e w sk são vetores que definem os pontos extremos s S k, ou seja, as soluções viáveis do subproblema definido pelo cluster k. λ sk é a variável de decisão correspondente ao ponto extremo s S k. Para cada subproblema k (27), pode-se considerar (substituir) os vetores de multiplicadores lagrangeanos α e β como sendo vetores com as variáveis duais associadas à restrição (29). Considerando ainda µ k como sendo a variável dual para a k-ésima restrição de convexidade (30), uma nova coluna referente ao subproblema k é inserida no PMR se o seu custo reduzido θ k for positivo (θ k = v(dc αβ PQL k ) µ k > 0). Assim, o PMR direciona as soluções dos subproblemas por meio das variáveis duais na busca por boas soluções para o problema original. A Figura 1 apresenta um resumo para execução da GC proposta: um conjunto de colunas é gerado pela busca local descrita em [1], formando assim o PMR inicial; a partir de então, novas colunas são geradas até que um critério de parada seja alcançado e, em seguida, o PMR final, formado por todas as colunas geradas, é resolvido de forma inteira (λ sk {0,1}). As soluções inteiras serão viáveis para o PQL, e indiretamente para o PQ. O PMR final (inteiro) será tratado adiante como PMR int. 174
5 A solução inteira do PMR (PMR int ) será viável para o PQ, e a relaxação linear do PMR poderá ser um limitante superior válido para o PQ após a inserção de um número suficiente de colunas. Por fim, a solução do dual lagrangeano referente à decomposição lagrangeana (DL αβ PQL n ) sempre será um limitante superior para o PQ. 1. Aplicar a heurística METIS para particionar o grafo e definir os clusters; 2. Decompor o problema original (determinar as cópias) e montar os subproblemas; 3. Encontrar um conjunto de colunas inicias para formar o PMR; 4. Otimizar o PMR (via CPLEX) para encontrar um conjunto de variáveis duais; 5. Atualizar e resolver os subproblemas (27) via CPLEX; 6. se ( k, k 0) ouv(dl PQL n ) = v(pmr) então 7. Parar: uma solução ótima para o PMR foi encontrada; 8. Resolver o PMR de forma inteira (PMR int ) via CPLEX; 9. senão 10. Inserir todas as colunas k com k > 0 no PMR; 11. Voltar ao passo 4; 12. fim-se; Figura 1: Resumo da GC proposta 4 Resultados Computacionais Os resultados apresentados a seguir foram obtidos por meio de um conjunto de 45 instâncias disponíveis na OR-Library. Essas instâncias são separadas em 6 classes (A, B, C, D, E e F) com diferentes características, e estão entre as mais difíceis encontradas na literatura [4]. Assim como apresentado em [8], a divisão do grafo G foi realizada via heurística METIS [5]. Já o PMR e os subproblemas foram resolvidos via CPLEX, ambos com o tempo limite de 1 hora de processamento para cada instância. O número de clusters (n) utilizado para cada instância foi similar ao apresentado em [8]. A Tabela 1 apresenta os gaps médios obtidos para cada classe de instância. Esses gaps são referentes aos limitantes superiores obtidos em relação às melhores soluções conhecidas [4]. A coluna m apresenta a variação no tamanho das instâncias, e a coluna Dsde. apresenta a variação das densidades da matriz Q. Em seguida, são apresentados os gaps encontrados por diferentes métodos descritos nos trabalhos de Mauri e Lorena [6, 7, 8]. Por fim, as duas últimas colunas apresentam os gaps obtidos pela GC proposta. Os melhores gaps médios são destacados em negrito. Vale destacar que, para a classe F, os resultados apresentados nessa tabela se referem apenas à primeira instância (1f), pois o método proposto, assim como outros listados nessa tabela, não foi capaz de obter soluções para as demais instâncias em uma hora de processamento. A Tabela 2 apresenta os gaps referentes às soluções inteiras obtidas para as instâncias das classes B, D e F. Os resultados obtidos pela GC proposta são comparados aos resultados apresentados pelas diferentes heurísticas apresentadas em [3], pelo método descrito em [2], pela relaxação apresentada em [7] e pelo CPLEX. A geração de colunas proposta apresentou tempos médios de 96,42, 4522,32 e 4455,33 segundos para as instâncias das classes B, D e F, respectivamente. O método descrito em [2] não foi capaz de resolver as instâncias da classe F e, para as instâncias da classe D, foi utilizado um tempo médio de 600 segundos. Além disso, segundo os autores, todas as soluções ótimas foram encontradas para as instâncias da classe B com um limite de tempo de 7200 segundos. A relaxação apresentada em [7] utilizou tempos médios de 0,18, 3595,74 e 6323,98 segundos, para as classes B, D e F. O CPLEX utilizou 3600 segundos para cada instância das classes D e F, e 3 segundos para a classe B. Os métodos apresentados em [6] e [8] não foram inseridos na Tabela 2 pois os mesmos apresentam apenas limitantes superiores para o PQ, ou seja, não fornecem soluções inteiras. Por fim, para as instâncias das classes A e C, o método proposto em [2] obteve as soluções ótimas em um tempo limite de 7200 segundos por instância, porém não foi capaz de resolver os problemas da classe E. O CPLEX foi capaz de encontrar as soluções ótimas para as instâncias das classes A e C em um tempo médio de 3,28 segundos, e apresentou um gap médio de 176,86% para as instâncias da classe E, em 3600 segundos. A relaxação apresentada em [7] utilizou tempos médios de 17,96, 2426,56 e 3731,85 segundos para as instâncias das classes A, C e E. 175
6 Inst. m Dsde. Mauri e Lorena [6] Mauri e Lorena [8] Mauri e Lorena [7] GC proposta (%) LC αβλ LC αβ LQP LQPC Best Lag Dec1 Dec2 Dec3 Dec3* LC αpql n PMR PL DL αβ PQL n PMR A , ,12 0,12 9,99 6,16 2,98 0,04 0,06 0,00 0,04 0,11 0,11 2,22 0,17 B ,04 51,04 656,34 404,22 657,66 29,85 29,86 10,33 15,43 51,04 51,04 323,72 3,44 C ,56 3,54 33,31 15,11 9,71 0,00 0,00 0,00 0,00 3,90 3,28 3,41 0,03 D ,18 83,52 155,37 85,35 111,40 98,78 21,54 4,76 8,32 192,01 33,06 109,87 0,11 E ,87 118,58 160,56 95,43 136,72 92,91 69,33 78,52 81,81 265,58 58,31 713,29 0,05 F ,42 132,90 159,28 126,12 124,66 95,68 93,44 92,52 98,46 359,56 0, ,40 0,38 Tempo médio (seg.) 2091, ,34 173,96 371, , , , , , , ,81 Tabela 1: Gaps médios (%) obtidos pelos limitantes superiores para cada classe de instância Inst. m Dsde. Melhor Glover et al. [3] Billionnet e Mauri e GC CPLEX (%) conhecida DDT A2n A2t V3n V3t Elloumi [2] Lorena [7] proposta 1b ,30 0,00 21,10 89,50 89,50 0,00 0,00 0,00 0,00 2b ,00 24,80 13,20 95,00 95,00 0,00 0,00 0,00 0,00 3b ,50 13,60 19,50 100,00 100,00 0,00 0,00 0,00 0,00 4b ,30 21,70 21,70 100,00 100,00 0,00 0,00 0,00 0,00 5b ,00 0,00 40,00 99,30 99,30 0,00 0,00 0,00 0,00 6b ,80 22,60 27,40 97,30 97,30 0,00 0,00 8,90 12,30 7b ,70 0,00 0,00 99,40 99,40 0,00 0,00 0,00 0,00 8b ,60 19,30 19,30 100,00 100,00 0,00 0,00 0,00 0,00 9b ,90 7,30 24,10 100,00 100,00 0,00 0,00 1,43 2,90 10b ,40 21,40 21,40 100,00 100,00 0,00 0,00 4,55 4,50 1d ,10 0,00 0,00 0,00 2d ,00 5,21 0,00 0,00 3d ,60 3,54 0,00 0,00 4d ,10 6,25 0,00 0,00 5d ,70 17,82 0,19 0,19 6d ,20 9,90 0,35 0,35 7d ,30 14,02 0,00 0,00 8d ,10 17,48 0,00 0,00 9d ,70 14,65 0,06 0,06 10d ,90 11,99 0,00 0,00 1f ,80 22,10 23,10 7,10 7,20-42,50 0,38 0,38 2f ,70 19,60 19,20 7,30 9,60-84,00 0,32-3f ,30 21,40 20,30 7,30 7,90-76,40 0,23-4f ,30 18,00 16,10 5,60 5,60-84, f ,10 12,20 22,50 4,60 5,80-89, Tabela 2: Gaps (%) obtidos pelas soluções inteiras obtidas para as instâncias das classes B, D e F 176
7 Já a GC proposta obteve as soluções ótimas para todas as instâncias das classes A, C e E, com o tempo médio de 6,95, 226,18 e 62,76 segundos para as instâncias das classes A, C e E. Glover et al. [3] não apresentam os tempos computacionais utilizados pelas heurísticas propostas para as instâncias das classes B e F, e os resultados para as demais. 5 Conclusões Este trabalho apresentou uma nova estratégia para resolver uma decomposição lagrangeana do problema de programação quadrática binária irrestrita (PQ). O método proposto, baseado na técnica de geração de colunas (GC), além de encontrar bons limitantes superiores, também apresenta soluções viáveis para o PQ. Instâncias de difícil solução e com diferentes características foram utilizadas para avaliar o método proposto. Os resultados mostram que a GC proposta melhora o tempo de convergência da decomposição lagrangeana, ou seja, a substituição do algoritmo de subgradientes na decomposição proposta por Mauri e Lorena [8] pela GC proposta neste trabalho, por meio da decomposição Dantzig-Wolfe, produz melhores soluções em tempos computacionais inferiores. Já em relação à GC aplicada à relaxação lagrangeana com clusters, apresentada em [7], percebe-se que os gaps referentes às soluções inteiras são praticamente os mesmos, porém os gaps referentes aos limitantes superiores, e o tempo computacional, são melhores na GC proposta neste trabalho. Por fim, a geração de colunas proposta foi comparada diretamente com outros métodos similares propostos recentemente, e apresentou bons resultados para praticamente todas as instâncias. Agradecimentos: Os autores agradecem à FAPES (processo /09) e ao CNPq (processo /2008-3) pelo apoio financeiro. Referências [1] J.E. Beasley, Heuristic algorithms for the unconstrained binary quadratic programming problem, Relatório Técnico, Management School - Imperial College, London (UK), [2] A. Billionnet; S. Elloumi, Using a mixed integer quadratic programming solver for the unconstrained quadratic 0-1 problem, Mathematical Programming, 109(1) (2007) [3] F. Glover; B. Alidaee; C. Rego; G. Kochenberger, One-pass heuristics for large-scale unconstrained binary quadratic problems, European Journal of Operational Research, 137(2) (2002) [4] F. Glover; G. Kochenberger; B. Alidaee, Adaptative memory tabu search for binary quadratic programs, Management Science, 44(3) (1998) [5] G. Karypis; V. Kumar, Multilevel k-way partitioning scheme for irregular graphs, Journal of Parallel and Distributed Computing, 48(1) (1998) [6] G.R. Mauri; L.A.N. Lorena, Novos limitantes para o problema de programação quadrática binária irrestrita, Anais do XL SBPO - Simpósio Brasileiro de Pesquisa Operacional, (2008) [7] G.R. Mauri; L.A.N. Lorena, Geração de colunas com divisão em clusters para o problema de programação quadrática binária irrestrita, Gestão & Produção, 16(4) (2009a) [8] G.R. Mauri; L.A.N. Lorena, Lagrangean decompositions for the unconstrained binary quadratic programming problem, International Transactions in Operational Research (2009b). DOI: /j x [9] G. Palubeckis, Multistart tabu search strategies for the unconstrained binary quadratic optimization problem, Annals of Operations Research, 131 (2004)
Relaxação Lagrangena com Divisão em Clusters Aplicada ao Problema de Localização de Facilidades Não-capacitado
Relaação Lagrangena com Divisão em Clusters Aplicada ao Problema de Localização de Facilidades Não-capacitado Francisco de Assis Corrêa LAC - INPE São José dos Campos SP, Brasil fcorrea@directnet.com.br
Leia mais3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
Leia mais4 Relaxação lagrangeana para AGMD
4 Relaxação lagrangeana para AGMD A utilização de relaxação lagrangeana, para a resolução de problemas de otimização combinatória NP-difíceis, foi iniciada com a contribuição fundamental de Held e Karp
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 maisMétodo geração de colunas e heurísticas para o Problema da Mochila Compartimentada. Resumo
Método geração de colunas e heurísticas para o Problema da Mochila Compartimentada Aline Aparecida de Souza Leão Maristela Oliveira dos Santos Marcos Nereu Arenales Universidade de São Paulo-USP Av Trabalhador
Leia maisAlgoritmos Exatos 3.1. Relaxação Lagrangeana
3 Algoritmos Exatos Nesse capítulo, apresenta-se alguns algoritmos exatos para o CVRP que são baseados em diferentes técnicas e formulações para a obtenção de limites inferiores para a solução ótima do
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisUm método exato de busca para se calcular o multiplicador lagrangeana/surrogate (lagsur) para o Problema Generalizado de Atribuição
Um método exato de busca para se calcular o multiplicador lagrangeana/surrogate (lagsur) para o Problema Generalizado de Atribuição Marcelo Gonçalves Narciso Embrapa Informática Agropecuária Luiz Antônio
Leia maisII Seminário da Pós-graduação em Engenharia Elétrica
UMA INVESTIGAÇÃO DOS PARÂMETROS NOS MÉTODOS MISTOS DE OTIMIZAÇÃO NÃO LINEAR Ellen Cristina Ferreira Aluna do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Profa. Dra. Edméa Cássia Baptista
Leia maisResolução de problemas difíceis de programação linear através da relaxação Lagrangeana
problemas difíceis de programação linear através da relaxação Lagrangeana Ana Maria A.C. Rocha Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho arocha@dps.uminho.pt http://www.norg.uminho.pt/arocha
Leia maisResolução do problema do caixeiro viajante assimétrico (e uma variante) através da relaxação Lagrangeana
Resolução do problema do caixeiro viajante assimétrico (e uma variante) através da relaxação Ana Maria A.C. Rocha e João Luís C. Soares Departamento de Produção e Sistemas Escola de Engenharia Universidade
Leia maisALESPLOT Algoritmos eficientes para sistemas de produção, localização e transportes
ALESPLOT Algoritmos eficientes para sistemas de produção, localização e transportes Processo CNPq # 300837/89-5 Ref.: Bolsa de Produtividade em Pesquisa Luiz Antonio Nogueira Lorena lorena@lac.inpe.br
Leia maisAula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo
Aula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464 / PCC174 Departamento de Computação - UFOP Breve Revisão Programação Linear vs Programação Inteira Modelagem
Leia maisCOMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
Leia maisMÉTODO DE GERAÇÃO DE COLUNAS PARA O PROBLEMA DO CARREGAMENTO DE PALETES DO PRODUTOR
MÉTODO DE GERAÇÃO DE COLUNAS PARA O PROBLEMA DO CARREGAMENTO DE PALETES DO PRODUTOR Glaydston Mattos Ribeiro Laboratório Associado de Computação e Matemática Aplicada Instituto Nacional de Pesquisas Espaciais.7-00,
Leia maisRelaxação Lagrangeana com Fixação de Variáveis Aplicada ao Problema de Seqüenciamento em uma Máquina
Universidade Federal de Minas Gerais Programa de Pós-Graduação em Engenharia de Produção Departamento de Engenharia de Produção / Escola de Engenharia Relaxação Lagrangeana com Fixação de Variáveis Aplicada
Leia maisAula 26: Branch-and-Price
Aula 26: Branch-and-Price Otimização Linear e Inteira Túlio Toffolo http://www.toffolo.com.br BCC464 / PCC174 2018/2 Departamento de Computação UFOP Aula de Hoje 1 Branch-and-Price Exemplo: Problema da
Leia maisParte II. Aplicações em Roteamento de Veículos
Parte II Aplicações em Roteamento de Veículos 5 Problema de Roteamento de Veículos com Restrição de Capacidade O problema de roteamento de veículos com restrição de capacidade, mais conhecido pela sua
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roteirização e Programação de Veículos PNV-2450 André Bergsten Mendes HEURÍSTICA DE INSERÇÃO DE SOLOMON (VRPTW) Exercício Para o problema de roteirização com janela de tempo
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia maisABORDAGEM DE CAMINHO MÍNIMO PARA PROBLEMAS DE OTIMIZAÇÃO
ABORDAGEM DE CAMINHO MÍNIMO PARA PROBLEMAS DE OTIMIZAÇÃO Maria Cristina N. Gramani Universidade Presbiteriana Mackenzie Escola de Engenharia Departamento de Engenharia de Produção http://www.mackenzie.com.br/universidade/engenharia
Leia maisRELAXAÇÃO LAGRANGEANA COM DIVISÃO EM CLUSTERS PARA ALGUNS PROBLEMAS DE OTIMIZAÇÃO MODELADOS EM GRAFOS DE CONFLITOS
INPE RELAXAÇÃO LAGRANGEANA COM DIVISÃO EM CLUSTERS PARA ALGUNS PROBLEMAS DE OTIMIZAÇÃO MODELADOS EM GRAFOS DE CONFLITOS Glaydston Mattos Ribeiro Proposta de Tese de Doutorado do Curso de Pós-graduação
Leia maisUMA PROPOSTA DE DECOMPOSIÇÃO PARA O PROBLEMA DE LOCALIZAÇÃO DE MÁXIMA COBERTURA
ISSN 275-6295 Rio de Janeiro- Brasil, 2 e 3 de agosto de 200 UMA PROPOSTA DE DECOMPOSIÇÃO PARA O PROBLEMA DE LOCALIZAÇÃO DE MÁXIMA COBERTURA Marcos Antonio Pereira Edson Luiz França Senne UNESP Univ Estadual
Leia maisResolução de problemas com apenas restrições lineares de igualdade
Resolução de problemas com apenas restrições lineares de igualdade Marina Andretta ICMC-USP 14 de outubro de 2014 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 14 de outubro de 2014 1 / 22
Leia maisProgramação Linear - Parte 3
Matemática Industrial - RC/UFG Programação Linear - Parte 3 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 3 1/2016 1 / 26 O Método Simplex Encontre o vértice ótimo pesquisando um subconjunto
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia maisCOMPLEMENTARY APPROACHES FOR P-MEDIAN LOCATION PROBLEMS
ABORDAGENS COMPLEMENTARES PARA PROBLEMAS DE P-MEDIANAS Edson Luiz França Senne, Dr. Professor Adjunto do DMA/FEG/UNESP E-mail: elfsenne@feg.unesp.br Luiz Antonio Nogueira Lorena, Dr. Pesquisador Titular
Leia maisUm algoritmo genético híbrido para o problema quadrático binário irrestrito
Um algoritmo genético híbrido para o problema quadrático binário irrestrito Bruno de Athayde Prata (UNIFOR) bprata@unifor.br Resumo O problema quadrático binário irrestrito (Unconstrained Quadratic Binary
Leia maisMETA-HEURÍSTICA CLUSTERING SEARCH APLICADA AO PROBLEMA DE ROTULAÇÃO CARTOGRÁFICA DE PONTOS
META-HEURÍSTICA CLUSTERING SEARCH APLICADA AO PROBLEMA DE ROTULAÇÃO CARTOGRÁFICA DE PONTOS Rômulo Louzada Rabello Universidade Federal do Espírito Santo UFES romulolouzada@gmail.com Geraldo Regis Mauri
Leia maisOtimização. Conceitos Fundamentais. Paulo Henrique Ribeiro Gabriel Faculdade de Computação Universidade Federal de Uberlândia 2016/2
Otimização Conceitos Fundamentais 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 / 30 Agradecimentos
Leia mais2 Métodologia para a Resolução do NEP
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Algoritmos para o Problema de Equilíbrio de Nash Euda Mara da Silva Ferreria Universidade Federal do Paraná, UFPR, Curitiba, PR E-mail: diretoria@facel.com.br
Leia maisMétodos Exatos para PI - Parte 1: Branch-and-Bound
Introdução à Otimização Combinatória Métodos Exatos para PI - Parte 1: Professora: Rosiane de Freitas (rosiane@icomp.ufam.edu.br) Bruno Raphael Cardoso Dias Prof. Estágio em Docência (bruno.dias@icomp.ufam.edu.br)
Leia mais1-1 PESQUISA OPERACIONAL INTRODUÇÃO
1-1 PESQUISA OPERACIONAL INTRODUÇÃO Regra do Jogo 1-2 Provas MAN ADM 1 a Prova: 8 ou 10 de maio 2 a Prova: 12 ou14 de junho Substitutiva: 18 ou 21 de junho Média P = Média das Provas T = Média dos Testes
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisTécnicas para Programação Inteira e Aplicações em Problemas de Roteamento de Veículos 41
4 Resolução de IPs A teoria de programação linear foi proposta na década de 40 e logo foi observado que seria desejável a resolução de problemas que apresentavam variáveis do tipo inteiro [37]. Isto levou
Leia maisMétodo Simplex. Marina Andretta ICMC-USP. 19 de outubro de 2016
Método Simplex Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização linear
Leia maisUM MÉTODO BRANCH-AND-PRICE PARA PROBLEMAS DE LOCALIZAÇÃO DE p-medianas
INPE-14471-TDI/1152 UM MÉTODO BRANCH-AND-PRICE PARA PROBLEMAS DE LOCALIZAÇÃO DE p-medianas Marcos Antonio Pereira Tese de Doutorado do Curso de Pós-Graduação em Computação Aplicada, orientada pelos Drs.
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Dualidade A eoria da Dualidade é um dos mais importantes tópicos da Programação Linear (PL). Estudos
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisProgramação Linear/Inteira - Aula 5
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira - Aula 5 Prof. Thiago Alves de Queiroz Aula 5 Thiago Queiroz (IMTec) Aula 5 Aula 5 1 / 43 Análise de Sensibilidade Estudar o efeito
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Forma geral de um problema Em vários problemas que formulamos, obtivemos: Um objetivo de otimização
Leia mais3 Reformulação de IPs
3 Reformulação de IPs O desenvolvimento de métodos de resolução de problemas lineares que explorem a estrutura particular de determinado problema foi sugerido inicialmente por Ford e Fulkerson [46]. Este
Leia maisAlocação de Unidades via Relaxação Lagrangeana
Alocação de Unidades via Relaxação Lagrangeana Prof. Antonio Simões Costa Grupo de Sistemas de Potência EEL - UFSC Relaxação Lagrangeana: Conceitos Iniciais 2 1 Alocação de Unidades via Relaxação Lagrangeana
Leia maisFormulações de Programação Matemática para o Problema de Seqüenciamento em uma Máquina com Janelas de Entrega Distintas e Tempo de Preparação
Anais do CNMAC v.2 ISSN 1984-820X Formulações de Programação Matemática para o Problema de Seqüenciamento em uma Máquina com Janelas de Entrega Distintas e Tempo de Preparação Dependente da Seqüência de
Leia maisQuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Programação Inteira. Métodos Quantitativos 2002/2003.
QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Programação Inteira Métodos Quantitativos 2002/2003 João Moura Pires Programação Linear Inteira Programação Linear - PL Programação
Leia maisUM ALGORITMO EXATO PARA O PROBLEMA DA DIVERSIDADE MÁXIMA
UM ALGORITMO EXATO PARA O PROBLEMA DA DIVERSIDADE MÁXIMA João Leonardo Ribeiro Neto PUC Minas - Instituto de Ciências Exatas e Informática Av. Dom José Gaspar, 500 - Coração Eucarístico CEP: 30535-901
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia mais5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Leia maisComputação Científica Combinatória
Computação Científica Combinatória Primeiros passos Março/2009 Tópicos Introdução Otimização Problemas identificados Métodos de solução Definição Computação Científica Combinatória (CCC) um novo nome para
Leia maisLista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + 2 y s.a x + y 2 x + y 5 x, y 0, x e y inteiros b) Max z = 2 x + y s.a x + 2y 0 x + y 25 x, y
Leia maisLista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + y s.a x + y x + y 5 b) Max z = x + y s.a x + y 0 x + y 5 c) Max z = x + y s.a x + 9y 6 8 x +
Leia maisALGUNS PROBLEMAS DE LOCALIZAÇÃO DE FACILIDADES MODELADOS EM GRAFOS
RELAXAÇÕES E MÉTODO DE DECOMPOSIÇÃO PARA ALGUNS PROBLEMAS DE LOCALIZAÇÃO DE FACILIDADES MODELADOS EM GRAFOS Francisco de Assis Corrêa Tese de Doutorado do Curso de Pós-Graduação em Computação Aplicada,
Leia maisDespacho Econômico Considerando as Perdas de Transmissão
Capítulo 1 Despacho Econômico Considerando as Perdas de Transmissão 1.1 Introdução Até agora, os métodos de despacho econômico apresentados têm ignorado as perdas de transmissão. Entretanto, as perdas
Leia mais3 Metaeurísticas e Resolvedores MIP
3 Metaeurísticas e Resolvedores MIP A combinação entre metaeurísticas e resolvedores MIP é uma estratégia relativamente recente, tendo seus primeiros estudos realizados ao longo da última década. O survey
Leia maisProjeto e Análise de Algoritmos
Projeto e Algoritmos Pontifícia Universidade Católica de Minas Gerais harison@pucpcaldas.br 26 de Maio de 2017 Sumário A complexidade no desempenho de Quando utilizamos uma máquina boa, ela tende a ter
Leia maisPlanejamento para fundições: uma aplicação do método das K-melhores mochilas. 1 Introdução
Planejamento para fundições: uma aplicação do método das K-melhores mochilas Murilo S. Pinheiro, Franklina M.B. Toledo, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, Av.
Leia mais2 Problema de Roteamento de Veículos com Restrição de Capacidade
2 Problema de Roteamento de Veículos com Restrição de Capacidade 2.1 Definição O Problema de Roteamento de Veículos (Vehicle Routing Problem - VRP) foi originalmente estudado por Dantzig e Ramser [15]
Leia maisRESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START Gustavo Marques Zeferino, Flaviana M. de S. Amorim, Marcone Jamilson Freitas Souza, Moacir F. de F. Filho
Leia mais1_1 1_2 2_1 1_ _ _ Fonte: Autor
75 7. Resultados Os resultados aqui apresentados utilizam o modelo proposto na Seção 6.2, resolvido através do software de otimização AIMMS para os problemas com Datas prometidas. Já para o problema sem
Leia maisTeoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016
Teoria de dualidade Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisRELAXAÇÃO LAGRANGEANA COM DIVISÃO EM CLUSTERS PARA ALGUNS PROBLEMAS DE OTIMIZAÇÃO MODELADOS EM GRAFOS DE CONFLITOS
INPE-15204-TDI/1304 RELAXAÇÃO LAGRANGEANA COM DIVISÃO EM CLUSTERS PARA ALGUNS PROBLEMAS DE OTIMIZAÇÃO MODELADOS EM GRAFOS DE CONFLITOS Glaydston Mattos Ribeiro Tese de Doutorado do Curso de Pós-Graduação
Leia maisCode: Luiza Rodrigues Matos, Daisy Paes Silva, Edilaine Martins Soler. Universidade Estadual Paulista "Júlio de Mesquita Filho" (UNESP)
A Comparison Between the Efficiency of the Outer Approximation Method and the Branch-and-Bound Method to Solve the Optimal Power Flow Problem with Discrete Control Variables Code: 19.024 Luiza Rodrigues
Leia maisResolvedo problemas de despacho econômico com dados incertos usando enfoque paramétrico dual
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Resolvedo problemas de despacho econômico com dados
Leia maisHEURÍSTICA DE BACKTRACKING PARA O PROBLEMA DA ROTULAÇÃO CARTOGRÁFICA DE PONTOS.
HEURÍSTICA DE BACKTRACKING PARA O PROBLEMA DA ROTULAÇÃO CARTOGRÁFICA DE PONTOS. Celso Oliveira, Sebastián Urrutia, Thiago F. Noronha Universidade Federal de Minas Gerais (UFMG) Av. Antônio Carlos, 6627
Leia maisAula 19: Lifting e matrizes ideais
Aula 19: Lifting e matrizes ideais Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Branch-and-bound Formulações
Leia maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
Uma Heurística baseada em Programação Linear para o Problema do Caminho Mínimo Robusto Restrito Lucas Assunção Departamento de Ciência da Computação Universidade Federal de Minas Gerais Belo Horizonte
Leia maisLimitantes Inferiores para o Problema de Dimensionamento de Lotes em Máquinas Paralelas
Limitantes Inferiores para o Problema de Dimensionamento de Lotes em Máquinas Paralelas Diego Jacinto Fiorotto Depto de Ciências de Computação e Estatística, IBILCE, UNESP R. Cristóvão Colombo, 2265 -
Leia maisAula 12: Programação Inteira
Aula 12: Programação Inteira Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Aula de Hoje 1 Programação Inteira: A Formulação
Leia maisReconfiguração de Sistemas de Distribuição Visando Balanceamento entre Alimentadores Através de Técnica de Decomposição
Reconfiguração de Sistemas de Distribuição Visando Balanceamento entre Alimentadores Através de Técnica de Decomposição Code: 02.010 S. C. A. de Ferreira, T. L. O. Araújo, L. W. Oliveira, J. S. Carvalho
Leia maisUMA HEURÍSTICA GRASP PARA O PROBLEMA DA MOCHILA QUADRÁTICA 0-1
A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN UMA HEURÍSTICA GRASP PARA O PROBLEMA DA MOCHILA QUADRÁTICA 0-1 Rodrigo Tavares Nogueira, DSc. Universidade Estácio de
Leia maisSIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS
SIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS Bernardo De Polli Cellin Mestrando em Informática - Universidade Federal do Espírito Santo Av. Fernando Ferrari, Nº 514, CEP:
Leia maisAula 22: Formulações com número exponencial de variáveis
Aula 22: Formulações com número exponencial de variáveis Otimização Linear e Inteira Túlio Toffolo http://www.toffolo.com.br BCC464 / PCC174 2018/2 Departamento de Computação UFOP Aula de Hoje 1 Correção
Leia maisMÉTODOS EXATO E HEURÍSTICO PARA O PROBLEMA DE LOCALIZAÇÃO DAS P-MEDIANAS COM DOIS OBJETIVOS
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. MÉTODOS EXATO E HEURÍSTICO PARA O PROBLEMA DE LOCALIZAÇÃO DAS P-MEDIANAS COM DOIS OBJETIVOS Paula Mariana dos Santos (UFV) paula-marianna@hotmail.com JOSE
Leia maisMINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS
1 MINISTÉRIO DA CIÊNCIA E TECNOLOGIA INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS A RELAXAÇÃO LAGRANGEANA/SURROGATE E ALGUMAS APLICAÇÕES EM OTIMIZAÇÃO COMBINATÓRIA Marcelo Gonçalves Narciso Tese de Doutorado
Leia maisRESOLUÇÃO DO PROBLEMA DE ALOCAÇÃO DE BERÇOS ATRAVÉS DE UMA TÉCNICA DE GERAÇÃO DE COLUNAS
versão impressa ISSN 0101-7438 / versão online ISSN 1678-5142 RESOLUÇÃO DO PROBLEMA DE ALOCAÇÃO DE BERÇOS ATRAVÉS DE UMA TÉCNICA DE GERAÇÃO DE COLUNAS Geraldo Regis Mauri* Dep. de Engenharia Rural / Centro
Leia maisResolvendo algebricamente um PPL
Capítulo 6 Resolvendo algebricamente um PPL 6.1 O método algébrico para solução de um modelo linear A solução de problemas de programação linear com mais de duas variáveis, não pode ser obtida utilizando-se
Leia maisFUNDIÇÕES DE PEQUENO PORTE: UMA ABORDAGEM HEURÍSTICA RESUMO ABSTRACT
O PROBLEMA DE PROGRAMAÇÃO DA PRODUÇÃO EM FUNDIÇÕES DE PEQUENO PORTE: UMA ABORDAGEM HEURÍSTICA Claudia Fink Maristela Oliveira dos Santos Instituto de Ciências Matemáticas e de Computação, USP. 13560-970,
Leia maisUNIVERSIDADE FEDERAL DO ABC Centro de Matemática, Computação e Cognição (CMCC) Dissertação de Mestrado. Eduardo Batista Gomes Moreira
UNIVERSIDADE FEDERAL DO ABC Centro de Matemática, Computação e Cognição (CMCC) Curso de Pós-Graduação em Ciência da Computação Dissertação de Mestrado Eduardo Batista Gomes Moreira ALGORITMOS PARALELOS
Leia maisEm 1970, Bellman e Zadeh (Bellman, 1970) apresentaram a otimização IX]]\, que é um conjunto de técnicas utilizadas em problemas de otimização com
4 ±0('/$ 5'd Muito já foi feito no desenvolvimento de metodologias para a resolução de problemas de programação linear IX]]\. Entretanto a grande parte dos trabalhos apresentados procurou obter uma solução
Leia maisOtimização de grande porte
Otimização de grande porte Silvana Bocanegra Ciclo de Seminários BSI 204.2 Esboço Otimização: definição, aplicações e motivação; Classe de problemas de otimização e métodos de solução; Principais métodos
Leia maisPesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho agosto/2013 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Leia maisAlgoritmo Branch-and-Price para o Problema de Corte de Estoque Não-Guilhotinado
Algoritmo Branch-and-Price para o Problema de Corte de Estoque Não-Guilhotinado Vinícius Loti de Lima e Thiago Alves de Queiroz Unidade de Matemática e Tecnologia - UFG/Regional Catalão, Av. Dr. Lamartine
Leia maisAula 13: Branch-and-bound
Aula 13: Branch-and-bound Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Modelagem em PI / Problemas Combinatórios
Leia maisTP052-PESQUISA OPERACIONAL I Algoritmo Dual Simplex. Prof. Volmir Wilhelm Curitiba, Paraná, Brasil
TP052-PESQUISA OPERACIONAL I Algoritmo Dual Simplex Prof. Volmir Wilhelm Curitiba, Paraná, Brasil Algoritmo Dual Simplex Motivação max sa Z = cx Ax = b x 0 escolhida uma base viável max sa Z = c B x B
Leia maisMétodos de solução aplicados ao problema de produção e
Métodos de solução aplicados ao problema de produção e distribuição Henrique Hiroshi Motoyama Watanabe Maristela Oliveira Santos Depto. de Matemática Aplicada e Estatística, ICMC, USP 13566-590, São Carlos,
Leia maisResolução de Sistemas Lineares. Ana Paula
Resolução de Sistemas Lineares Sumário 1 Aula Anterior 2 Decomposição LU 3 Decomposição LU com Pivotamento 4 Revisão Aula Anterior Aula Anterior Aula Anterior Aula Anterior Eliminação de Gauss Transforma
Leia maisHeurísticas para um problema de dimensionamento de lotes com substituição de demanda e restrição de capacidade
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Matemática Aplicada e Estatística - ICMC/SME Comunicações em Eventos - ICMC/SME 2014-09-16 Heurísticas para um
Leia maisEscalonamento usando múltiplos períodos
3 Escalonamento usando múltiplos períodos O escalonamento usando múltiplos períodos consiste em dividir a carga total em fragmentos de carga e enviá-las a cada processador mais de uma vez, segundo períodos.
Leia maisMétodos heurísticos para o problema de programação e roteamento de equipes de trabalho na restauração de redes
Métodos heurísticos para o problema de programação e roteamento de equipes de trabalho na restauração de redes Alfredo Moreno Departamento de Engenharia de Produção, UFSCar - São Carlos Rod.washington
Leia maisUm AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições
> REVISTA DE INTELIGÊNCIA COMPUTACIONAL APLICADA (ISSN: XXXXXXX), Vol. X, No. Y, pp. 1-10 1 Um AG Baseado em Ordem para o Problema do Ladrão de Jóias com Múltiplas Restrições Jarbas Silva Abstract Neste
Leia maisUmmétodohíbridoparaescalonar turnosdeenfermeiras
Ummétodohíbridoparaescalonar turnosdeenfermeiras Alexandre Luiz J. H. Albano e Marcio Oshiro Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação Um método
Leia maisMétodo do Lagrangiano aumentado
Método do Lagrangiano aumentado Marina Andretta ICMC-USP 23 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 23 de novembro de 2010 1 / 17 Problema com restrições gerais Vamos
Leia maisUMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC
UMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC R. R. ROCHA 1 e L. C. OLIVEIRA-LOPES 1 1 Universidade Federal de Uberlândia, Faculdade de Engenharia Química E-mail para contato: rosi.rocha28@gmail.com;
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
Leia maisAplicação do Método de Decomposição de Benders para o Problema de Carregamento de Paletes do Produtor. Resumo
Aplicação do Método de Decomposição de Benders para o Problema de Carregamento de Paletes do Produtor Ana Gabriela Rocha UFSCar Rod. Washington Luis, KM 235, São Carlos - SP gabirocha45@gmail.com Reinaldo
Leia maisProgramação Linear Inteira. C. Requejo (UA) Métodos de Investigação Operacional MIO / 30
Programação Linear Inteira Programação Linear Inteira C. Requejo (UA) Métodos de Investigação Operacional MIO 2016 1 / 30 Programação Linear Inteira Programação Linear Inteira Resolução de problemas de
Leia maisPesquisa Operacional / Programação Matemática
Pesquisa Operacional / Programação Matemática Otimização discreta Modelagem com variáveis binárias: problemas clássicos Breve Comentários (aula anterior) Em geral, não faz sentido resolver a relaxação
Leia maisAlgoritmo Simplex para Programação Linear I
EA Planejamento e Análise de Sistemas de Produção Algoritmo Simple para Programação Linear I DCA-FEEC-Unicamp Modelo de Programação Linear ma c ( n ) s. a. A b A ( m n) b ( m ) c ( n) P ( R n A b} Poliedro
Leia maisProgramação Inteira. Prof. Ricardo Santos
Programação Inteira Prof. Ricardo Santos Introdução Um problema com variáveis inteiras e reais é denominado problema de Programação Inteira Mista (PIM) quando tem a seguinte forma: PIM z=max cx+dy Ax+Dy
Leia mais