Meta-heurísticas para Problemas de Otimização Combinatória
|
|
- Maria Fernanda Coelho Dias
- 8 Há anos
- Visualizações:
Transcrição
1 Meta-heurísticas para Problemas de Otimização Combinatória Gerardo Valdisio Rodrigues Viana Faculdade Lourenço Filho FLF Universidade Estadual do Ceará- UECE Resumo A teoria da complexidade mostra que para os problemas classificados como NP-completos não são conhecidos algoritmos em tempo polinomial para resolvê-los de forma generalizada e exata. Para o tratamento destes problemas, existem algoritmos específicos que podem ser exatos não-polinomiais, pseudopolinomiais, aproximativos e heurísticos. Garey & Johnson (1979), em seu tradicional livro Computers and Intractability, apresentam uma extensa lista de problemas pertencentes a esta classe, cujo tratamento pelas técnicas de aproximação citadas produzem resultados considerados satisfatórios, não garantindo, entretanto, sua otimalidade, ou seja, a inexistência de soluções melhores. Grande parte destes problemas envolve os chamados problemas de decisão que buscam a existência de uma determinada estrutura que satisfaz a uma certa propriedade e os problemas de otimização que procuram dentre estas estruturas qual delas tem um valor máximo ou mínimo para uma dada função de avaliação aplicada a esses elementos. Neste trabalho, é dada uma definição formal de problema de otimização combinatória e uma descrição de meta-heurística que corresponde a uma das principais técnicas desenvolvidas para obter uma boa solução deste tipo de problema num tempo aceitável. Palavras-chave: Otimização Combinatória, Busca Local, Meta-heurísticas. 1 INTRODUÇÃO Técnicas de resolução de problemas de otimização combinatória, como programação dinâmica (MOREIRA & VIANA, 2011) e branch-and-bound (WINSTON, 1994) podem fornecer em tempo hábil soluções exatas para algumas aplicações; quando isto não é possível utilizam-se algoritmos aproximativos (VAZIRANI, 2011) com fatores de aproximação conhecidos ou heurísticas que consistem nos métodos projetados nas propriedades estruturais e nas características dos problemas que fornecem também soluções aproximadas, porém com complexidade reduzida em relação aos algoritmos exatos. Entre estas heurísticas podem ser citados os métodos construtivos, os de busca local e as meta-heurísticas (VIANA, 1998), que serão detalhados nas seções seguintes.
2 76 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, 2013 Este trabalho está organizado assim, na seção 2 são apresentadas as definições básicas para entendimento dos problemas e métodos de resolução utilizados no texto; na seção 3 são descritas as principais meta-heurísticas através de seus conceitos básicos e classificação; na seção 4 são citadas outras meta-heurísticas clássicas e suas referências; por fim, na última seção é feita a conclusão do trabalho. 2 DEFINIÇÕES 2.1 Problema de Otimização Combinatória (POC) Dados: um conjunto finito E = { 1, 2,..., n } uma coleção de subconjuntos de E, F 2 E uma função c: F R (reais). Obter: S* e F satisfazendo uma das condições: c (S*) c (S), s F (para problema de maximização) c (S*) c (S), s F (para problema de minimização) sujeitas, ou não, a uma série de restrições. Nomenclatura: S configuração qualquer S* melhor configuração dentre todas as soluções em F (solução ótima) F espaço de configurações (ou de soluções viáveis) c função custo ou função objetivo Configuração é um arranjo dentro do espaço F formado, portanto, por elementos dos subconjuntos de E.
3 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, Soluções Viáveis são aquelas configurações que satisfazem as condições impostas pelas restrições do problema, sendo, portanto, aquelas candidatas à solução ótima ou a melhor solução conhecida. Melhor corresponde ao maior valor (num problema de maximização) ou ao menor valor (num problema de minimização) da função objetivo, dentre todas as soluções possíveis. 2.2 Perturbação e Vizinhança Um procedimento que transforma uma configuração s i noutra s j, ambas soluções viáveis do problema, é chamado de perturbação (VIANA, 1998). denota-se s j = p (s i ), onde p é o procedimento de perturbação. na prática p deve fazer com que s j seja uma configuração ligeiramente modificada de s i, ou seja, deve promover alterações mínimas na estrutura da configuração de forma rápida. A geração de novas configurações, a partir de uma configuração s, define o conceito de vizinhança n(s) cujo tamanho k (número de vizinhos) depende de p e s. os elementos pertencentes a n(s) introduzem a noção de proximidade entre as soluções no espaço de configurações, no sentido de configurações parecidas, podendo a função objetivo aplicada a dois elementos da mesma vizinhança n(s) = { s 1, s 2,..., s k } terem valores discrepantes entre si, ou seja, s i s j porém c(s i ) # c(s j ), onde o símbolo # indica ordem de grandeza distinta.
4 78 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, 2013 Figura 1 Vizinhança de uma configuração S i! Neste exemplo, diz-se que P é linear, e K = N(S) = # 8 " 1 $ & = 8 vizinhos. % No caso do procedimento P corresponder à troca de 2 bits de forma aleatória, então P seria! quadrática e K = N(S) = # " 8 2 $ & = 28 vizinhos. % 2.3 Algoritmos Gulosos A construção de uma solução gulosa (ZIVIANI, 2007) consiste em selecionar sequencialmente elementos de F, digamos S i, de modo que se S i+1 é melhor que S i, essa passa a ser a solução para todo i, caso contrário S i+1 será descartada. Daqui em diante, sem perda de generalidade, melhor significa menor (valor mínimo), considerando um problema de minimização.
5 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, Um algoritmo guloso também é chamado de míope, pois somente enxerga em sua busca o vizinho que está mais próximo. Em geral, um algoritmo guloso encontra sempre a mesma solução para uma dada instância de um problema, exceto no caso de eventuais empates. O efeito da obtenção de uma solução gulosa é chamado de intensificação, no sentido que a tendência é encontrar um mínimo ou máximo local na vizinhança pesquisada. Considerando um problema de minimização para a Figura 2, diz-se que S* é um mínimo local para este espaço se c(s*) c(s i ), i {1,..., k}. Figura 2 Espaço com valores da função objetivo para algumas configurações 2.4 Aleatorização Para alcançar a diversidade nas soluções encontradas pode-se criar uma lista de candidatas e forçar uma escolha aleatória (WINSTON, 1994) a cada iteração. A qualidade da solução obtida depende da função de randomização utilizada e da cardinalidade da lista procedendo a troca da melhor solução encontrada parcialmente de forma gulosa, eventualmente este processo, chamado de diversificação pode levar a um mínimo global (solução ótima) ou na pior das hipóteses, numa solução melhor quando se alternam os processos de intensificação e diversificação, de modo que são comparados vários mínimos locais. A Figura 3 apresenta um exemplo que compara uma estratégia gulosa cuja solução corresponde a um máximo local devido ao critério de intensificação, e outra, não gulosa, ou seja, em algum momento permite mudanças (diversificação) que pode encontrar um máximo global.
6 80 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, 2013 Figura 3 Intensificação x Diversificação - Fonte: (VIANA, 1998, p.92) 2.5 Busca Local Um espaço de busca é definido pelo conjunto de soluções S e por uma vizinhança N. De forma abstrata, este espaço pode ser visto como uma superfície de picos e depressões definidos pela função objetivo e pela proximidade (vizinhança) das soluções. A Figura 4 apresenta algumas regiões (espaços de busca) cada uma com o mínimo local de sua vizinhança. O objetivo de qualquer método é encontrar f * que corresponde a região que contém o melhor mínimo local dentre todas. A dificuldade existe porque o número de regiões pode crescer de forma exponencial, ou seja, se f i for o mínimo local da vizinhança N(S i ) então f * = {min f i, i,1 i m }. Figura 4 Espaços de Busca com indicação dos mínimos locais
7 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, Um algoritmo de busca local é construído de forma a explorar o espaço de busca (AARTS, 1997). Uma solução inicial S 0 deve ser obtida a partir de algum método construtivo, ou seja, a partida do algoritmo deve ser feita pela construção de uma solução viável qualquer. Chama-se iteração a cada passo em que se busca uma melhoria sucessiva (iterativa) da solução atual no espaço de busca. A cada iteração deve ser selecionada uma solução qualquer da vizinhança; o critério de parada pode ser o primeiro ótimo local encontrado, ou seja, não existe vizinho melhor. Outro critério poderia ser um limite definido de iterações sem melhoria ; ou se for obtido uma solução melhor que uma alguma conhecida já praticada etc. Elementos de um algoritmo de busca local: Definição da vizinhança Estratégia de busca Simplificação da geração de vizinhos (procedimento de perturbação simples) Eficiência no cálculo da função objetivo, ou seja, evitar cálculos repetitivos e desnecessários. Dificuldades encontradas: Término do algoritmo de forma prematura (após encontrar o primeiro ótimo local) Sensível à solução da partida (S 0 ) Sensível à estratégia de busca
8 82 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, 2013 Necessidade de um número grande de iterações para obter uma boa solução. Procedimentos úteis: Redução da vizinhança (seleção de subconjuntos de N(S) por algum critério) Repetir a busca local partindo de S 0 distintos, escolhidos de forma aleatória Considerar mais de uma vizinhança, dependendo do tamanho N(S). Selecionar boas rotinas de perturbação Todos os conceitos apresentados nesta seção são úteis para o entendimento das metaheurísticas definidas a seguir. Especificamente os procedimentos de perturbação, as estratégias de intensificação e diversificação e as técnicas de busca local são utilizadas na seção seguinte onde é evidenciado que as meta-heurísticas podem ser aplicadas a qualquer problema de otimização combinatória. 3 META-HEURÍSTICAS 3.1 Definição As meta-heurísticas são procedimentos destinados a encontrar uma boa solução de um problema, eventualmente a ótima, alternando procedimentos de intensificação e de diversificação com o objetivo de fugir (escapar) de ótimos locais (GLOVER & KOCHENBERGER, 2003). Diferenciam-se, entre si, pelo critério de escolha da solução inicial, da definição da vizinhança, da forma de seleção do vizinho e do critério de parada; pode-se dizer que uma de suas principais características é ser de uso geral, no sentido que podem ser adaptadas para resolver problemas diversos, diferentemente das heurísticas simples que são específicas para um dado problema. Outras características das meta-heurísticas: adaptam-se às instâncias especiais dos problemas alternam o uso da estrutura de dados em função dessas instâncias contêm boas técnicas para construir soluções iniciais.
9 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, procedem melhoria das soluções parciais utilizando uma heurística de busca local (intensificação) fazem uma randomização controlada diversificam a busca de forma dinâmica, ou seja, a rotina de diversificação varia de acordo com a evolução do algoritmo utilizam funções de avaliação (função objetivo) de forma eficiente em geral, o tempo computacional necessário para obter uma boa solução é bem maior que as heurísticas simples, podendo ser controlado por número de iterações e/ou outros critérios de parada. 3.2 Classificação das meta-heurísticas Os procedimentos utilizados pelas meta-heurísticas e suas estratégias de busca permitem classificá-las assim: a) Meta-heurísticas Construtivas estabelecem estratégias para a construção de uma solução, geralmente gulosa, formada por um processo iterativo de modo a obter melhores resultados imediatos possíveis. Exemplo: GRASP (Greedy Randomized Adaptative Search Procedure) b) Meta-heurísticas de Busca de Entornos utilizam procedimentos que percorrem espaço de busca levando em consideração, em cada passo, a vizinhança da solução atual praticada. Uma estrutura de entorno grande tende a diminuir o desempenho de cada iteração (aumentando o tempo total de execução), por outro lado, se a diversificação é baixa pode conduzir a piores soluções. Deve-se então calibrar a MH de modo a utilizar um meio termo. Exemplos: VNS (Variable Neighbourhood Search), GLS (Guided Local Search), SA (Simulated Annealing) e TS (Tabu Search). c) Meta-heurísticas Evolutivas trabalham com uma população (conjunto de soluções) que evolui a cada iteração. Procura preservar as características que melhorem a qualidade média das soluções em cada geração sem comprometer a diversidade dentro da população. Exemplos: GA (Genetic Algorithms), MA (Memetic Algorithms) e SS (Scatter Search).
10 84 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, 2013 d) Meta-heurísticas de Relaxação realizam alterações na modelagem original do problema a fim de construir um problema mais simples (relaxado) cuja solução pode ser encontrada com eficiência fornecendo informações para que a a solução do problema original seja obtida. Exemplo: Relaxação Langrangeana e) Meta-heurísticas Híbridas referem-se àquelas que se enquadram de forma intermediária entre mais de um tipo de meta-heurística (MH), em geral utilizam recursos de uma ou mais heurísticas. Algumas das MHs anteriores podem também ser assim classificadas. Exemplo: ACO (Ant Colony Optimization), Memetic Algorithm e Logic Fuzzy. 4 DESCRIÇÃO DAS PRINCIPAIS META-HEURÍSTICAS 4.1 Busca Tabu ( TS Tabu Search) É um procedimento heurístico utilizado para guiar um algoritmo de busca local a fim de encontrar boas aproximações para a solução ótima de qualquer problema de otimização combinatória (GLOVER & LAGUNA, 1997). Tem por base três princípios: 1. uso de um FILA para guardar o histórico da evolução do processo de busca 2. uso de um mecanismo de controle (TABU) que faz o balanceamento entre a aceitação ou não, de uma nova configuração, referentes às restrições e aspirações desejadas 3. incorpora procedimentos que alternam as estratégias de diversificação e intensificação. A Figura 5 apresenta o algoritmo para a meta-heurística Busca Tabu. Os procedimentos existentes realizam as seguintes funções: Generate Initial Solution gera uma solução inicial s de forma aleatória, considera-a como a melhor então conhecida.
11 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, Generate_Admissible_Solutions gera uma vizinhança de s, denominando-a de A=N(s). Select_Best_Solution seleciona a melhor solução desta vizinhança A. Caso o tamanho N(s) seja elevado, pode ser explorada parte dela através de um parâmetro limitante do número de vizinhos nv N(s). Update_Memory_Structures atualiza a fila Tabu. Em geral, o tamanho desta fila varia de 7 a 14 elementos e tem por objetivo guardar as melhores soluções parciais encontradas durante a evolução do processo a fim de evitar que seja reutilizada uma região já explorada. Figura 5 Algoritmo Busca Tabu Fonte: (STÜTZLE, 1998, p. 28) 4.2 Têmpera Simulada ( SA Simulated Annealing) O termo origina-se do processo físico de temperamento que consiste em submeter certas metas inicialmente a altas temperaturas e reduzi-las gradualmente (variações de energia) até
12 86 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, 2013 atingir o equilíbrio térmico, tornando-se consistentes e rígidos (van LAARHOVEN & AARTS, 1987). Para alternar os procedimentos de intensificação e diversificação num problema de minimização utilizam-se os testes (aceitação de uma nova solução S ): S melhor que S, ou seja, f (S') < f (S*) ou f (S) f (S') S é pior que S, porém µ = e T > random(0,1) Onde T é o parâmetro de controle de temperatura e µ é critério de Metropolis (VIANA, 1998) que corresponde a um fator de probabilidade de aceitação. Este critério estabelece que se o valor de T for alto (início) permitem muitos movimentos de diversificação e a medida que T reduz [T i = αt i-1, 0 < α < 1] a maioria destes movimentos serão rejeitados. Observa-se que se α é pequeno o resfriamento é rápido e em geral a solução não é boa. Se α é grande o processo torna-se lento comprometendo o tempo de execução. O valor inicial de T 0 pode ser calculado em função de η valores de f (S). JOHNSON et al. (1987) sugerem T 0 = 4.40ΔE +, onde ΔE + corresponde à média aritmética dos k termos em que ΔE > 0, sendo ΔE = f (S') f (S) e 1 k η. A Figura 6 apresenta o algoritmo para a meta-heurística Simulated Annealing. Figura 6 Algoritmo Simulated Annealing Fonte: (STÜTZLE, 1998, p. 30)
13 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, Os procedimentos existentes realizam as seguintes funções: Generate Initial Solution gera uma solução inicial s de forma aleatória, considera-a como a melhor então conhecida. Generate_Random_Solution gera uma solução viável s de forma aleatória a partir de s. Accept_Solution aceita a solução atual de acordo com o critério de Metropolis que conforme citado anteriormente é uma probabilidade definida como segue: 4.3 Algoritmo Genético ( GA Genetic Algorithm) Baseia-se nos processos observados na evolução natural das espécies. Parte de uma população inicial de indivíduos (configurações iniciais do problema), faz a avaliação de cada um (valores da função objetivo), seleciona os melhores e promove manipulações genéticas
14 88 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, 2013 (cruzamentos e mutações) que correspondem às pertubações, a fim de criar uma nova população (HOLLAND, 1975). Os AGs trabalham unicamente com os valores das funções objetivo, de modo que, claramente percebe-se que esta MH é de uso geral, ou seja, o que muda de uma aplicação para outra é a forma de cálculo da função objetivo e uma adaptação da estrutura de dados conveniente para armazenar as configurações (GOLDBERG, 1989). Os elementos necessários para construção de um algoritmo genético são: escolher a forma de representar os cromossomos (configuração de uma solução viável) gerar a população inicial (o tamanho da população é um parâmetro de entrada) avaliar os indivíduos da população [c(s)] reproduzir os melhores indivíduos (seleção) (uso de uma roleta viciada) realizar e definir cruzamentos (crossover) realizar e definir mutações (perturbações) A Figura 7 apresenta o algoritmo para a meta-heurística Algoritmo Genético. Os procedimentos existentes realizam as seguintes funções: Generate Initial Population gera uma população inicial POP de forma aleatória e calcula os valores da função objetivo para todos seus elementos. Local Search (p) localiza a melhor configuração dentro da população POP e seleciona os melhores elementos da população, eliminando os piores, redefinindo uma nova população p. Recombination recombina os elementos de p através de procedimentos conhecidos como cruzamentos, gerando uma nova população p. Mutation altera elementos de p através do processo de mutação que corresponde a uma perturbação, gerando uma nova população p. Local Search (p, p ) seleciona os melhores elementos de p e p, eliminando os piores, gerando uma nova população p. Selection ( p, p ) seleciona o melhor elemento de p e p, candidato a solução e atualiza a população p para a próxima geração (iteração).
15 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, Figura 7 Algoritmo Genético Fonte: (STÜTZLE, 1998, p.32) 4.4 GRASP (Greedy Randomized Adaptive Search Procedure) Combina um método construtivo de busca local com um procedimento iterativo com iterações independentes (FEO & RESENDE, 1995). A fase construtiva é um processo iterativo também que parte de uma solução vazia e acrescenta elementos sem torná-la inviável criando um subconjunto dos elementos que causam menor aumento de custo (aspecto guloso da MH); a seguir seleciona-se aleatoriamente um elemento desse subconjunto, incorporando-o às soluções parciais (PITSOULIS & RESENDE, 2002). A Figura 8 apresenta o algoritmo para a meta-heurística GARSP. Os procedimentos existentes realizam as seguintes funções: Construct_Greedy_Randomized_Solution constrói uma solução para o problema usando um algoritmo guloso conhecido. Em geral os candidatos à solução s são gerados parte pela heurística gulosa e completada de forma aleatória.
16 90 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, 2013 Local Search (s) localiza a melhor configuração s da vizinhança de s através de um procedimento de busca local. Figura 8 Algoritmo GRASP Fonte: (STÜTZLE, 1998, p.33) 4.5 Outras meta-heurísticas As meta-heurísticas aqui citadas e não referenciadas são facilmente localizada através de vários artigos e aplicações. STÜTZLE (1998) em seu trabalho descreve algumas delas: Colônia de Formigas (ACO Ant Colony Optimization) Decomposição (métodos construtivos + relaxação) Extreme Optimization FANS (Fuzzy Adaptive Neighborhood Search) Busca Local Guiada (GLS Guided Local Search) ILS (Iterated Local Search) RSO (Reactive Search Optimization) Busca Dispersa (SS Scatter Search)
17 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, VNS (Variable Neighborhood Search) e suas variantes VND (Descent), BVNS (Basic), RVNS (Reduced) e GVNS (General). 5 CONCLUSÃO As meta-heurísticas são ferramentas importantes na resolução de problemas de otimização combinatória, em geral são os métodos que obtêm melhores resultados, com um tempo de execução um pouco mais dilatado que as heurísticas, mas certamente admissível para obter soluções bem aproximadas. Uma grande dificuldade do uso das MH é sua calibração, pois os parâmetros de entrada devem estar bem definidos para que a solução seja obtida em tempo rápido e com boa qualidade. O uso de programação paralela é um aliado na melhoria da performance das MHs especialmente em relação ao tempo de execução. Diversos trabalhos foram publicados para resolver problemas clássicos de otimização combinatória, parte deles usando paralelismo (VIANA, 1998). Novas MHs podem ser criadas utilizando novas ideias para balanceamento dos processos de intensificação e diversificação aliados a uma boa estratégia de busca. Metaheuristics for Combinatorial Optimization Problems Abstract The complexity theory shows that for problems classified as NP-complete are not known polynomialtime algorithms to solve them in a general and exact form. For the treatment of these problems there are
18 92 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, 2013 specific algorithms that can be non-polynomial, pseudo-polinomial, approximate and heuristic. Garey & Johnson (1979), in his traditional book "Computer and Intractability", present a long list of problems belonging to this class whose treatment by approximation techniques mentioned produce satisfactory results, not guaranteeing, however, its optimality or if there is better solution. Most of these problems involve the so-called decision problems seeking the existence of a particular structure that satisfies a certain property and optimization problems which seek among these structures which one has a maximum or minimum value for a given evaluation function applied to these elements. In this article is given a formal definition of combinatorial optimization problem and a description of metaheuristics that correspond to one of the main techniques developed to obtain a good solution of this problemin an acceptable time. Keywords: Combinatorial Optimization. Local Search. Metaheuristics. Referências AARTS, E.H.L. and LENSTRA, J. K. Local Search in Combinatorial Optimization. USA: John Wiley & Sons, DASGUPTA, S., PAPADIMITRIOU, C. and VAZIRANI, U. Algorithms. McGraw-Hill Higher Education, FEO, T.A. and RESENDE, M.G.C. Greedy Randomized Adaptive Search Procedures. In Journal of Global Optimization, v.6, p , GAREY, M.R. and JOHNSON, D.S. Computers and Intractability: A Guide to the Theory of NP-Completeness, USA: W.H. Freeman and Company, GLOVER, F. and KOCHENBERGER, G. Handbook of Metaheuristics. USA: Kluwer Academic Publishers, GLOVER, F. and LAGUNA, M.. Tabu Search. London: Kluwer Academic Publishers, GOLDBERG, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. USA: Addison-Wesley, HOLLAND, J. H. Adaptation in Natural and Artificial Systems. USA: The University of Michigan Press, JOHNSON, D.S, ARAGON, C.R., McGEOCH, L.A. and SCHEVON, C. (1987). Optimization by Simulated Annealing: an Experimental Evaluation. USA: AT&T Bell Laboratories. van LAARHOVEN, P.J.M. and AARTS, E.H.L. Simulated Annealing, Theory and Applications. USA: Kluwer Academic Publishers, 1987.
19 Revista Científica da Faculdade Lourenço Filho - v.9, n.1, MOREIRA, F.V.C. e VIANA, G.V.R. Técnicas de Divisão e Conquista e de Programação Dinâmica para a Resolução de Problemas de Otimização. Revista Científica da Faculdade Lourenço Filho, v.8, n.1, p Fortaleza: FLF.EDU, PITSOULIS, L. and M. G. C. Resende. Greedy Randomized Adaptive Search Procedures Handbook of Applied Optimization, p England: Oxford University Press, STÜTZLE, T. G.Local Search Algorithms for Combinatorial Problems: Analysis, Improvements and New Applications. German: Technischen Universität Darmstadt, VIANA, G. V. R. Meta-heurísticas e Programação Paralela em Otimização Combinatória. Fortaleza: Edições UFC, VAZIRANI, V.V. Approximation Algorithms. Berlim: Springer-Verlag, WINSTON, W.L. Operations Research: Applications and Algorithms. USA: International Thomson Publishing, ZIVIANI, N. Projeto de Algoritmos com implementações em Pascal e C. São Paulo: Editora Thomson, Gerardo Valdisio Rodrigues Viana Bacharel em Engenharia Mecânica UFC Licenciado em Matemática UECE Mestre em Ciência da Computação UFC Doutor em Ciência da Computação UFC/USP valdisio.viana@uece.br
DISCIPLINA: Métodos Heurísticos
DISCIPLINA: Métodos Heurísticos CURSO(S): Licenciatura em Engenharia e Gestão Industrial Licenciatura em Engenharia de Sistemas e Informática Licenciatura em Matemática Aplicada Licenciatura em Matemática
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia maisMeta-heurísticas. Métodos Heurísticos José António Oliveira zan@dps.uminho.pt. meta-heurísticas
Meta-heurísticas 105 meta-heurísticas Propriedades e Características: são estratégias que guiam o processo de pesquisa; - o objectivo a atingir é a exploração eficiente do espaço de pesquisa de modo a
Leia maisTécnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques
Técnicas metaheurísticas aplicadas na otimização de parâmetros em um modelo probabilístico de gestão de estoques Sidnei Alves de Araújo André Felipe Henriques Librantz
Leia maisDEFINIÇÃO DE PARÂMETROS NA UTILIZAÇÃO DE METAHEURÍSTICAS PARA A PROGRAMAÇÃO DE HORÁRIOS ESCOLARES
DEFINIÇÃO DE PARÂMETROS NA UTILIZAÇÃO DE METAHEURÍSTICAS PARA A PROGRAMAÇÃO DE HORÁRIOS ESCOLARES José Carlos dos Santos Ferreira 1 e Jean Eduardo Glazar 2 1 Aluno do Curso de Ciência da Computação 2 Professor
Leia maisUMA HEURÍSTICA GRASP PARA O PROBLEMA ESTENDIDO DE SEQUENCIAMENTO DE CARROS
UMA HEURÍSTICA GRASP PARA O PROBLEMA ESTENDIDO DE SEQUENCIAMENTO DE CARROS Lucas Middeldorf Rizzo Universidade Federal de Minas Gerais Av. Antônio Carlos, 6627 - Pampulha - Belo Horizonte - MG CEP 31270-901
Leia maisAlgoritmos Genéticos
UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br
Leia maisClassificação: Determinístico
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Da mesma forma que sistemas os modelos de simulação podem ser classificados de várias formas. O mais usual é classificar os modelos
Leia maisALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA
136 ALGORITMOS GENÉTICOS: UMA VISÃO EXPLANATÓRIA FILITTO, Danilo 1 Resumo: Os algoritmos Genéticos inspiram-se no processo de evolução natural e são utilizados para resolver problemas de busca e otimização
Leia maisALGORITMO EVOLUTIVO PARA A OTIMIZAÇÃO DA GRADE HORÁRIA DO CURSO DE ENGENHARIA ELÁTRICA DA FEIS-UNESP
INSTRUÇÕES PARA A PREPARAÇÃO E SUBMISSÃO DE TRABALHOS PARA CONGRESSO BRASILEIRO DE ENSINO DE ENGENHARIA 2003 ALGORITMO EVOLUTIVO PARA A OTIMIZAÇÃO DA GRADE HORÁRIA DO CURSO DE ENGENHARIA ELÁTRICA DA FEIS-UNESP
Leia maisBUSCA LOCAL ITERADA (ILS ITERATED LOCAL SEARCH)
BUSCA LOCAL ITERADA (ILS ITERATED LOCAL SEARCH) Francisco A. M. Gomes 1º sem/2009 MT852 Tópicos em pesquisa operacional Iterated local search (ILS) Método que gera uma sequência de soluções obtidas por
Leia mais6. Programação Inteira
Pesquisa Operacional II 6. Programação Inteira Faculdade de Engenharia Eng. Celso Daniel Engenharia de Produção Programação Inteira São problemas de programação matemática em que a função objetivo, bem
Leia maisPROBLEMA DE ROTEAMENTO DE VEÍCULOS COM JANELA DE TEMPO
PROBLEMA DE ROTEAMENTO DE VEÍCULOS COM JANELA DE TEMPO UNIFAL - MG UFMG Edgar Fonseca FRANCO Jr. (Orientado) Flávio Alves de CARVALHO (Orientado) Humberto C. B. de OLIVEIRA (Orientador) Humberto C. B.
Leia maisProblema de Otimização Combinatória
Problema de Otimização Combinatória Otimização é o processo de encontrar e comparar soluções factíveis até que nenhuma solução melhor possa ser encontrada. Essas soluções são ditas boas ou ruins em termos
Leia maisAplicação de algoritmos genéticos para ajuste de modelos regressores não lineares com grande número de parâmetros 1. Introdução
15 Aplicação de algoritmos genéticos para ajuste de modelos regressores não lineares com grande número de parâmetros 1 Kamila Lacerda de Almeida 2, Mariana Tito Teixeira 3, Roney Alves da Rocha 4 Resumo:
Leia maisAnálise e Projeto de Software
Análise e Projeto de Software 1 Mundo Real Modelagem Elicitação Análise Problemas Soluções Gap Semântico Mundo Computacional Elicitação de Requisitos Análise de Requisitos Modelagem dos Requisitos 2 Projeto
Leia maisAjuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos
Ajuste dos parâmetros de um controlador proporcional, integral e derivativo através de algoritmos genéticos ADJUSTMENT OF CONTROLLER PID S PARAMETERS OF GENETIC ALGORITHMS Luiz Eduardo N. do P. Nunes Victor
Leia maisLinear Solver Program - Manual do Usuário
Linear Solver Program - Manual do Usuário Versão 1.11.0 Traduzido por: Angelo de Oliveira (angelo@unir.br/mrxyztplk@gmail.com) 1 Introdução Linear Program Solver (LiPS) é um pacote de otimização projetado
Leia maisVIII-Lubi-Brasil-1 REDUÇÃO DO CONSUMO DE ENERGIA ELÉTRICA NAS ESTAÇÕES DE BOMBEAMENTO COM O MODELO HÍBRIDO.
XXX CONGRESO INTERAMERICANO DE INGENIERÍA SANITARIA Y AMBIENTAL 26 al 30 de noviembre de 2006, Punta del Este Uruguay ASOCIACIÓN INTERAMERICANA DE INGENIERÍA SANITARIA Y AMBIENTAL - AIDIS VIII-Lubi-Brasil-1
Leia maisROTEAMENTO PERIÓDICO DE VEÍCULOS UTILIZANDO SIMULATED ANNEALING
ROTEAMENTO PERIÓDICO DE VEÍCULOS UTILIZANDO SIMULATED ANNEALING Marcos Vinicios Gomes dos Reis (UNICAMP) marcosreis_9@yahoo.com.br Sibelius Lellis Vieira (PUC GOIAS) sibelius.vieira@gmail.com A gestão
Leia maisInteligência Computacional Aplicada a Engenharia de Software
Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia mais4 Estudo de caso: Problema de seqüenciamento de carros
4 Estudo de caso: Problema de seqüenciamento de carros O problema de seqüenciamento de carros em linhas de produção das indústrias automobilísticas é um tipo particular de problema de escalonamento que
Leia maisSistema de Entrega para Suporte Varejista Utilizando a Metaheurística GRASP
Sistema de Entrega para Suporte Varejista Utilizando a Metaheurística GRASP Gil Romeu A. Pereira 1, Ivairton M. Santos 1 1 Universidade Federal de Mato Grosso(UFMT) Campus Universitário do Araguaia Instituto
Leia maisProblemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados
GA em Otimização Combinatorial Problemas onde a busca da solução depende da avaliação de diversas combinações (ORDEM) dos elementos considerados Problem a do Caixeiro Viajante Problem as de Planejamento
Leia maisSIMULAÇÃO DE SECAGEM DE MILHO E ARROZ EM BAIXAS TEMPERATURAS
SIMULAÇÃO DE SECAGEM DE MILHO E ARROZ EM BAIXAS TEMPERATURAS DOMINGOS SÁRVIO MAGALHÃES VALENTE 1 CRISTIANO MÁRCIO ALVES DE SOUZA 2 DANIEL MARÇAL DE QUEIROZ 3 RESUMO - Um programa computacional para simular
Leia maisaplicada a problemas de poluição do ar
Biomatemática 17 (2007), 21 34 ISSN 1679-365X Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Programação matemática fuzzy aplicada a problemas de poluição do ar Luiza A. Pinto Cantão 1, Depto.
Leia maisRelatório Trabalho Prático 2 : Colônia de Formigas para Otimização e Agrupamento
Relatório Trabalho Prático 2 : Colônia de Formigas para Otimização e Agrupamento Ramon Pereira Lopes Rangel Silva Oliveira 31 de outubro de 2011 1 Introdução O presente documento refere-se ao relatório
Leia maisNome:...N o...turma:... Data: / / ESTUDO DOS GASES E TERMODINÂMICA
Ensino Médio Nome:...N o...turma:... Data: / / Disciplina: Física Dependência Prof. Marcelo Vettori ESTUDO DOS GASES E TERMODINÂMICA I- ESTUDO DOS GASES 1- Teoria Cinética dos Gases: as moléculas constituintes
Leia maisANÁLISE DE TÉCNICAS BASEADAS EM METAHEURÍSTICAS E DOMINAÇÃO DE GRAFOS PARA CLUSTERING EM REDES AD HOC HELTON FABIANO GARCIA
UNIVERSIDADE DE BRASÍLIA FACULDADE DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA ANÁLISE DE TÉCNICAS BASEADAS EM METAHEURÍSTICAS E DOMINAÇÃO DE GRAFOS PARA CLUSTERING EM REDES AD HOC HELTON FABIANO
Leia maisAPLICAÇÃO DA METAHEURÍSTICA COLÔNIA DE FORMIGAS AO PROBLEMA DE ROTEAMENTO DE VEÍCULOS
APLICAÇÃO DA METAHEURÍSTICA COLÔNIA DE FORMIGAS AO PROBLEMA DE ROTEAMENTO DE VEÍCULOS Mirlam Moro Lombardi e Jean Eduardo Glazar Departamento de Ciência da Computação Faculdade de Aracruz Uniaracruz {mirlam,
Leia maisProgramação Inteira Conteúdos da Seção Programação Inteira Problema Relaxado Solução Gráfica Solução por Enumeração Algoritmo de Branch-And-Bound
Programação Inteira Conteúdos da Seção Programação Inteira Problema Relaado Solução Gráfica Solução por Enumeração Algoritmo de Branch-And-Bound Solução Ecel Solução no Lindo Caso LCL Tecnologia S.A. Variáveis
Leia mais2. Método de Monte Carlo
2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.
Leia maisReaproveitando algoritmos
Reaproveitando algoritmos Alguns exercícios pedem que se modifique um algoritmo feito anteriormente, para que ele resolva um novo problema. Isto procura demonstrar uma prática corriqueira, chamada de reaproveitamento
Leia maisc. Técnica de Estrutura de Controle Teste do Caminho Básico
1) Defina: a. Fluxo de controle A análise de fluxo de controle é a técnica estática em que o fluxo de controle através de um programa é analisado, quer com um gráfico, quer com uma ferramenta de fluxo
Leia maisPLANO DE ENSINO. ATIVIDADE SEG TER QUA QUI SEX Aulas 10-12 10-12 Atendimento 13-16 13-16 Preparação de aula 14-16 14-16
PLANO DE ENSINO 1. IDENTIFICAÇÃO Disciplina: Introdução a Otimização Combinatória Código: ICC500 Turma: CB01 URL: http://ioc-ufam.weebly.com Nº de Créditos: 4.4.0 Ano: 2015 Semestre: 1 Carga horária: 60h
Leia mais2 Estudo dos Acoplamentos
24 2 Estudo dos Acoplamentos Um problema acoplado é aquele em que dois ou mais sistemas físicos interagem entre si e cujo acoplamento pode ocorrer através de diferentes graus de interação (Zienkiewicz
Leia maisOBSERVANDO AS DIFERENÇAS DE TEMPO NAS EXECUÇÕES DE ALGORITMOS EM PROCESSADORES DIFERENTES
OBSERVANDO AS DIFERENÇAS DE TEMPO NAS EXECUÇÕES DE ALGORITMOS EM PROCESSADORES DIFERENTES Noting the Time Differences in the Execution of Algorithms on Different Processors Walteno Martins Parreira Júnior,
Leia mais1 Introdução simulação numérica termoacumulação
22 1 Introdução Atualmente o custo da energia é um dos fatores mais importantes no projeto, administração e manutenção de sistemas energéticos. Sendo assim, a economia de energia está recebendo maior atenção
Leia maisA otimização é o processo de
A otimização é o processo de encontrar a melhor solução (ou solução ótima) para um problema. Eiste um conjunto particular de problemas nos quais é decisivo a aplicação de um procedimento de otimização.
Leia mais3. Fase de Planejamento dos Ciclos de Construção do Software
3. Fase de Planejamento dos Ciclos de Construção do Software A tarefa de planejar os ciclos de construção do software pode partir de diretrizes básicas. Estas diretrizes visam orientar que os ciclos de
Leia maisFMEA (Failure Model and Effect Analysis)
Definição FMEA (Failure Model and Effect Analysis) Conceitos Básicos A metodologia de Análise do Tipo e Efeito de Falha, conhecida como FMEA (do inglês Failure Mode and Effect Analysis), é uma ferramenta
Leia maisGerenciamento de Projetos Modulo IX Qualidade
Gerenciamento de Projetos Modulo IX Qualidade Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com Bibliografia* Project Management Institute. Conjunto de Conhecimentos em Gerenciamento
Leia maisInteligência Artificial. Metodologias de Busca
Inteligência Artificial Metodologias de Busca 1 Solução de problemas como Busca Um problema pode ser considerado como um objetivo Um conjunto de ações podem ser praticadas para alcançar esse objetivo Ao
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisObjetivos. Teoria de Filas. Teoria de Filas
Objetivos Teoria de Filas Michel J. Anzanello, PhD anzanello@producao.ufrgs.br 2 Teoria de Filas Filas estão presentes em toda a parte; Exemplos evidentes de fila podem ser verificados em bancos, lanchonetes,
Leia maisESTUDO DE CASO: LeCS: Ensino a Distância
ESTUDO DE CASO: LeCS: Ensino a Distância HERMOSILLA, Lígia Docente da Faculdade de Ciências Jurídicas e Gerenciais de Garça FAEG - Labienópolis - CEP 17400-000 Garça (SP) Brasil Telefone (14) 3407-8000
Leia maisProcesso de Desenvolvimento de Software Workshop de Engenharia de Software
UNIVERSIDADE ESTADUAL PAULISTA INSTITUTO DE BIOCIÊNCIAS, LETRAS E CIÊNCIAS EXATAS DEPARTAMENTO DE CIÊNCIAS DE COMPUTAÇÃO E ESTATÍSTICA Processo de Desenvolvimento de Software Engenharia de Software Auxiliar
Leia maisProblemas de Valor Inicial para Equações Diferenciais Ordinárias
Problemas de Valor Inicial para Equações Diferenciais Ordinárias Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados
Leia maisMETAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Leia maisCADERNOS DE INFORMÁTICA Nº 1. Fundamentos de Informática I - Word 2010. Sumário
CADERNO DE INFORMÁTICA FACITA Faculdade de Itápolis Aplicativos Editores de Texto WORD 2007/2010 Sumário Editor de texto... 3 Iniciando Microsoft Word... 4 Fichários:... 4 Atalhos... 5 Área de Trabalho:
Leia maisProblema de alocação de salas de aulas: uma abordagem via algoritmos genéticos
III Encontro de Modelagem Computacional Problema de alocação de salas de aulas: uma abordagem via algoritmos genéticos Marco Aurélio Buono Carone- thecoreh@gmail.com Vinícius Tinti de Paula Oliveira- viniciustinti@gmail.com
Leia maisMetodologia para seleção de amostras de contratos de obras públicas (jurisdicionados) utilizando a programação linear aplicativo Solver
REVISTA Metodologia para seleção de amostras de contratos de obras públicas (jurisdicionados) utilizando a programação linear aplicativo Solver André Mainardes Berezowski 1 Resumo Trata da apresentação
Leia maisSoluções Heurísticas Simples e Híbrida para o Problema do Caixeiro Viajante: Um Estudo Comparativo
Soluções Heurísticas Simples e Híbrida para o Problema do Caixeiro Viajante: Um Estudo Comparativo Marco Antonio Barbosa 1, Renata Neuland 2, Rodrigo Antoniazzi 3 1 Departamento de Informática. Universidade
Leia maisA SOLUTION OF N-QUEENS PROBLEM BY GENETIC ALGORITHMS
UMA SOLUÇÃO DO PROBLEMA DAS N RAINHAS ATRAVÉS DE ALGORITMOS GENÉTICOS A SOLUTION OF N-QUEENS PROBLEM BY GENETIC ALGORITHMS Eliane Vendramini de Oliveira Mestre em Engenharia Elétrica UNESP/ Ilha Solteira
Leia maisUm Esquema de Aproximação Eficiente para o Problema do Bin Packing Unidimensional
Um Esquema de Aproximação Eficiente para o Problema do Bin Packing Unidimensional Proposta de Trabalho de Graduação Centro de Informática CIn UFPE Orientador: Ricardo Martins de Abreu Silva Aluno: Otávio
Leia maisAnálise de componentes independentes aplicada à avaliação de imagens radiográficas de sementes
Análise de componentes independentes aplicada à avaliação de imagens radiográficas de sementes Isabel Cristina Costa Leite 1 2 3 Thelma Sáfadi 2 Maria Laene Moreira de Carvalho 4 1 Introdução A análise
Leia mais1 Propagação de Onda Livre ao Longo de um Guia de Ondas Estreito.
1 I-projeto do campus Programa Sobre Mecânica dos Fluidos Módulos Sobre Ondas em Fluidos T. R. Akylas & C. C. Mei CAPÍTULO SEIS ONDAS DISPERSIVAS FORÇADAS AO LONGO DE UM CANAL ESTREITO As ondas de gravidade
Leia maisOptimização do Programa de manutenção de centrais térmicas considerando previsões da evolução da procura e dos preços de mercado
Faculdade de Engenharia da Universidade do Porto Optimização do Programa de manutenção de centrais térmicas considerando previsões da evolução da procura e dos preços de mercado Marcelo Leandro Pereira
Leia maisRevisão da Literatura Tema 2. Mestranda: Arléte Kelm Wiesner
Revisão da Literatura Tema 2 Mestranda: Arléte Kelm Wiesner Sistema Termo utilizado em muitas situações Prado (2014) afirma que: Sistema é uma agregação de objetos que têm alguma interação ou interdependência.
Leia maisOTIMIZAÇÃO DOS PARÂMETROS DE UM CONTROLADOR PROPORCIONAL, INTEGRAL E DERIVATIVO POR ALGORITMO GENÉTICO PARA UM SISTEMA DE CONTROLE DE NÍVEL DE LÍQUIDO
121 OTIMIZAÇÃO DOS PARÂMETROS DE UM CONTROLADOR PROPORCIONAL, INTEGRAL E DERIVATIVO POR ALGORITMO GENÉTICO PARA UM SISTEMA DE CONTROLE DE NÍVEL DE LÍQUIDO PROPORTIONAL, INTEGRAL AND DERIVATIVE PARAMETERS
Leia maisRepresentação por Números Reais
Representação por Números Reais Cromossomas expressam valores através de números reais (ponto flutuante) e não em binário Para apresentarmos essa representação vamos introduzir o conceito de hibridização
Leia maisAV1 - MA 12-2012. (b) Se o comprador preferir efetuar o pagamento à vista, qual deverá ser o valor desse pagamento único? 1 1, 02 1 1 0, 788 1 0, 980
Questão 1. Uma venda imobiliária envolve o pagamento de 12 prestações mensais iguais a R$ 10.000,00, a primeira no ato da venda, acrescidas de uma parcela final de R$ 100.000,00, 12 meses após a venda.
Leia maisnatureza do projeto e da aplicação métodos e ferramentas a serem usados controles e produtos que precisam ser entregues
Modelo De Desenvolvimento De Software É uma representação abstrata do processo de desenvolvimento que define como as etapas relativas ao desenvolvimento de software serão conduzidas e interrelacionadas
Leia maisProf. Daniela Barreiro Claro
Prof. Daniela Barreiro Claro SQL, SQL3 e OQL são linguagens declarativas O SGBD deve processar e otimizar estas consultas antes delas serem efetivamente executadas Uma consulta possui muitas estratégias
Leia maisPROBLEMAS RELACIONADOS A MÁQUINAS ROTATIVAS
PROBLEMAS RELACIONADOS A MÁQUINAS ROTATIVAS BERTON JR, J.; ROBERTO, S. B. RESUMO A presente pesquisa consiste no estudo dos problemas do comportamento de máquinas rotativas, tendo em vista a grande utilização
Leia maisProgramação não Linear Conteúdos da Seção Programação Não Linear Aplicações Solução Gráfica Resolução no Excel Controle de Eestoque Modelo do Lote
Programação não Linear Conteúdos da Seção Programação Não Linear Aplicações Solução Gráfica Resolução no Ecel Controle de Eestoque Modelo do Lote Econômico Problemas de Localização Caso LCL Telecom S.A.
Leia maisCurso: Redes II (Heterogênea e Convergente) Tema da Aula: Controle de Congestionamento
Curso: Redes II (Heterogênea e Convergente) Tema da Aula: Controle de Congestionamento Professor Rene - UNIP 1 Revisão... Segmento A unidade de dados trocada entre as entidades de transporte é denominada
Leia maisModelagem de uma Vending Machine utilizando um Autômato Finito com Saída
Modelagem de uma Vending Machine utilizando um Autômato Finito com Saída Ailton Sérgio Bonifácio Yandre Maldonado e Gomes da Costa Mestrado em Ciência da Computação - FACCAR/UFRGS ailton@uel.br, yandre@din.uem.br
Leia maisJinSol, uma interface em Java para solvers lineares.
JinSol, uma interface em Java para solvers lineares. Italo C. N. Lima, João Paulo K. Zanardi, Faculdade de Engenharia, PPGEM, UERJ, 20550-900, Rio de Janeiro, RJ E-mail: italonievinski@gmail.com, jpzanardi@gmail.com
Leia maisTranscrição Automática de Música
Transcrição Automática de Música Ricardo Rosa e Miguel Eliseu Escola Superior de Tecnologia e Gestão do Instituto Politécnico de Leiria Departamento de Engenharia Informática A transcrição automática de
Leia mais1. Difusão. A difusão só ocorre quando houver gradiente de: Concentração; Potencial; Pressão.
1. Difusão Com frequência, materiais de todos os tipos são tratados termicamente para melhorar as suas propriedades. Os fenômenos que ocorrem durante um tratamento térmico envolvem quase sempre difusão
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Introdução. Prof. Humberto Brandão humberto@dcc.ufmg.br
Projeto e Análise de Algoritmos Projeto de Algoritmos Introdução Prof. Humberto Brandão humberto@dcc.ufmg.br aula disponível no site: http://www.bcc.unifal-mg.edu.br/~humberto/ Universidade Federal de
Leia maisResolução do Problema de Roteamento de Veículos com Frota Heterogênea via GRASP e Busca Tabu.
Resolução do Problema de Roteamento de Veículos com Frota Heterogênea via GRASP e Busca Tabu. Camila Leles de Rezende, Denis P. Pinheiro, Rodrigo G. Ribeiro camilalelesproj@yahoo.com.br, denisppinheiro@yahoo.com.br,
Leia maisCálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU
Cálculo Numérico Faculdade de Engenharia, Arquiteturas e Urbanismo FEAU Prof. Dr. Sergio Pilling (IPD/ Física e Astronomia) II Métodos numéricos para encontrar raízes (zeros) de funções reais. Objetivos:
Leia mais2. Objetivos do Sistema
Desenvolvimento de Um Programa Interpretador e Resolvedor para Máquinas de Estado Finito Adriana Postal 1, Ana Paula Fredrich 1, Cassiano Cesar Casagrande 1, Evaristo Wychoski Benfatti 1, Josué Pereira
Leia maisAlgoritmos Genéticos: Aspectos Práticos. Estéfane G. M. de Lacerda DCA/UFRN Junho/2009
: Aspectos Práticos Estéfane G. M. de Lacerda DCA/UFRN Junho/2009 Principais Tópicos População Inicial Funções Objetivo de Alto Custo Critérios de Parada Convergência Prematura Diversidade Tipos de Substituição
Leia maisRoteiro SENAC. Análise de Riscos. Análise Quantitativa de Riscos. Análise Quantitativa de Riscos. Análise Quantitativa de Riscos
SENAC Pós-Graduação em Segurança da Informação: Análise de Riscos Parte 5 Leandro Loss, Dr. Eng. loss@gsigma.ufsc.br http://www.gsigma.ufsc.br/~loss Roteiro Análise de Qualitativa Quantitativa Medidas
Leia maisJogos vs. Problemas de Procura
Jogos Capítulo 6 Jogos vs. Problemas de Procura Adversário imprevisível" necessidade de tomar em consideração todas os movimentos que podem ser tomados pelo adversário Pontuação com sinais opostos O que
Leia maisRESOLUÇÃO DO PROBLEMA DE PROGRAMAÇÃO DE CURSOS UNIVERSITÁRIOS BASEADA EM CURRÍCULOS VIA UMA META-HEURÍSTICA HÍBRIDA GRASP-ILS-RELAXADO
RESOLUÇÃO DO PROBLEMA DE PROGRAMAÇÃO DE CURSOS UNIVERSITÁRIOS BASEADA EM CURRÍCULOS VIA UMA META-HEURÍSTICA HÍBRIDA GRASP-ILS-RELAXADO Saulo Henrique D Carlos Barbosa 1, Sergio Ricardo de Souza 1 1 Programa
Leia maisUtilização da metaheurística GRASP para resolução do problema de construção de trilhos de aeronaves
Utilização da metaheurística GRASP para resolução do problema de construção de trilhos de aeronaves Alexander A. Pinto 1, Daniel G. Ramos 1, Lucídio A. Formiga 1 1 Departamento de Informática Universidade
Leia maisComplemento IV Introdução aos Algoritmos Genéticos
Complemento IV Introdução aos Algoritmos Genéticos Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações e
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisEngenharia de Software II
Engenharia de Software II Aula 28 Revisão para a Prova 2 http://www.ic.uff.br/~bianca/engsoft2/ Aula 28-28/07/2006 1 Matéria para a Prova 2 Gestão de projetos de software Conceitos (Cap. 21) Métricas (Cap.
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia maisGerenciamento de Projeto: Planejando os Riscos. Prof. Msc Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
Gerenciamento de Projeto: Planejando os Riscos Prof. Msc Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Introdução Planejar o Gerenciamento dos Riscos. Identificar os Riscos Realizar a Análise Qualitativa
Leia maisCAPÍTULO 3. Sistemas com Vários Componentes (Multicomponentes) em Modelos Markovianos de Decisão
CAPÍTULO 3 Sistemas com Vários Componentes (Multicomponentes) em Modelos Markovianos de Decisão 3.1 - Multicomponentes Conceitos Básicos: O conceito de multicomponente é utilizado em diversas áreas de
Leia maisATIVIDADES PRÁTICAS SUPERVISIONADAS
ATIVIDADES PRÁTICAS SUPERVISIONADAS 1ª Série Empreendedorismo Administração A Atividade Prática Supervisionada (ATPS) é um procedimento metodológico de ensino-aprendizagem desenvolvido por meio de etapas,
Leia maisINVESTIGAÇÃO OPERACIONAL EM AÇÃO
INVESTIGAÇÃO OPERACIONAL EM AÇÃO CASOS DE APLICAÇÃO RUI CARVALHO OLIVEIRA JOSÉ SOEIRO FERREIRA (EDITORES) IMPRENSA DA UNIVERSIDADE DE COIMBRA COIMBRA UNIVERSITY PRESS CASO 7 SISTEMA DE APOIO À DECISÃO
Leia maisTeste de Software Parte 1. Prof. Jonas Potros
Teste de Software Parte 1 Prof. Jonas Potros Cronograma Verificação e Validação Teste de Software: Definição e Conceitos Técnicas de Teste Fases de Teste Processo de Teste Automatização do Processo de
Leia maisMétodo analítico para o traçado da polar de arrasto de aeronaves leves subsônicas aplicações para a competição Sae-Aerodesign
SIMPÓSIO INTERNAIONA E IÊNIAS INTEGRAAS A UNAERP AMPUS GUARUJÁ Método analítico para o traçado da polar de arrasto de aeronaves leves subsônicas aplicações para a competição Sae-Aerodesign uiz Eduardo
Leia maisANÁLISE DA APLICAÇÃO DA FILOSOFIA LEAN CONSTRUCTION EM EMPRESAS DO SETOR DE CONSTRUÇÃO CIVIL DA REGIÃO METROPOLITANA DE BELO HORIZONTE ABSTRACT
ANÁLISE DA APLICAÇÃO DA FILOSOFIA LEAN CONSTRUCTION EM EMPRESAS DO SETOR DE CONSTRUÇÃO CIVIL DA REGIÃO METROPOLITANA DE BELO HORIZONTE ANALYSIS OF APPLICATION OF PHILOSOPHY IN LEAN CONSTRUCTION COMPANIES
Leia maisSISTEMAS DE INFORMAÇÃO GERENCIAIS
SISTEMAS DE INFORMAÇÃO GERENCIAIS Aluno: Luiza Cavalcanti Marques Orientador: Silvio Hamacher Introdução A modelagem e a utilização de bancos de dados em atividades gerenciais têm sofrido um aumento significativo
Leia maisRegras Métodos Identificadores Variáveis Constantes Tipos de dados Comandos de atribuição Operadores aritméticos, relacionais e lógicos
Lógica Aula 2 Técnicas de Programação Criando algoritmos Regras Métodos Identificadores Variáveis Constantes Tipos de dados Comandos de atribuição Operadores aritméticos, relacionais e lógicos Criando
Leia maisDiretrizes Geométricas de Auxílio ao Processo de Projeto de Edifícios Residenciais
243 Introdução Este artigo apresenta alguns princípios básicos de um método geométrico de auxílio ao processo de projeto de edifícios residenciais em altura. Tem como base uma pesquisa feita em edifícios
Leia maisO MÉTODO HÚNGARO PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO
O MÉTODO HÚNGARO PARA RESOLUÇÃO DE PROBLEMAS DE OTIMIZAÇÃO João Cesar Guirado Universidade Estadual de Maringá E-mail: jcguirado@gmail.com Márcio Roberto da Rocha Universidade Estadual de Maringá E-mail:
Leia maisPROBLEMAS DE SELEÇÃO DE UNIDADES DE CONSERVAÇÃO AMBIENTAL COM BUSCA TABU
PROBLEMAS DE SELEÇÃO DE UNIDADES DE CONSERVAÇÃO AMBIENTAL COM BUSCA TABU Sibelius Lellis Vieira Departamento de Computação e Mestrado em Ciências Ambientais Universidade Católica de Goiás sibelius@ucg.br
Leia maisIncertezas de Medições em Calibrações: aplicações práticas no ambiente hospitalar
I Congresso Brasileiro de Engenharia Clínica Palestra: Incertezas de Medições em Calibrações: aplicações práticas no ambiente hospitalar São Paulo, 30 de Setembro de 2005 Gilberto Carlos Fidélis Instrutor
Leia maisUMC Cotas em desenho técnico (Módulo 2) Componentes gráficos de uma cota: Linha de cota Linha de chamada Setas de cota
1 UMC Engenharia Mecânica Expressão Gráfica 2 Prof.: Jorge Luis Bazan. Desenho Básico Cotas em desenho técnico (Módulo 2) Em desenho técnico damos o nome de cota ao conjunto de elementos gráficos introduzidos
Leia maiso(a) engenheiro(a) Projeto é a essência da engenharia 07/02/2011 - v8 dá vazão
empíricos ou vulgar ou senso comum filosófico exige raciocínio reflexões racional e objetivo produto precede a construção conjunto de atividades o(a) engenheiro(a) aplica conhecimentos científicos ligado
Leia mais