Estivagem de unidades de celulose: uma análise prática com heurísticas de bloco

Tamanho: px
Começar a partir da página:

Download "Estivagem de unidades de celulose: uma análise prática com heurísticas de bloco"

Transcrição

1 Estvagem de undades de celulose: uma análse prátca com heurístcas de bloco Douglas Rosson Srtol (UnAracruz) Glaydston Mattos Rbero (UnAracruz) Luz Antono Noguera Lorena (INPE) Resumo O problema de estvagem de undades de celulose consste em arranjar undades de celulose em porões de navos, com a fnaldade de maxmzar a quantdade de undades estvadas. Com sso, o presente trabalho vem propor a resolução deste problema com heurstcas de bloco e também apresentar uma ferramenta gráfca para gerar os planos de estvagem, ou seja, a dsposção das undades no porão. Casos prátcos dos portos brasleros foram avalados e os resultados computaconas mostraram que as heurístcas de bloco são efcentes, podendo reduzr os custos logístcos de embarque. Palavras-chave: Estvagem de undades de celulose, heurístca de bloco, transporte marítmo. 1. Introdução O transporte marítmo é consderado um dos mas seguros e é largamente utlzado no transporte nternaconal. Este modal de transporte pode ser utlzado para os város tpos de cargas, transportando mlhares de toneladas ou de metros cúbcos de uma só vez. Resumdamente, exstem duas subdvsões assocadas ao transporte marítmo: Navegação de longo curso: ocorre entre países (navegação nternaconal); Navegação de cabotagem: realzada entre portos naconas (navegação naconal), caracterzada pelos pequenos percursos. Devdo aos dversos tpos de carga e de navos, posconar as cargas nos porões, mutas vezes, torna-se uma tarefa complcada a ser resolvda, podendo levar das para ser concluída. Esta atvdade é conhecda como estvagem de cargas. Com sso, o plano de estvagem é muto mportante para aglzar o processo de carregamento. Este planejamento deve consderar o tpo de carga a ser estvada, o tpo de undade de transporte (navo), a natureza da carga, dentre outros fatores (HANDABAKA, 1994). Sendo assm, este trabalho consdera o problema da estvagem de undades de celulose (PEUC) em navos especalzados. Conforme Rbero e Lorena (2005), este problema é uma tarefa mportante no processo de mportação e pode gerar mutos custos para o Porto, caso o navo atrase por causa do carregamento. Por outro lado, uma boa estvagem pode reduzr o tempo de carregamento e os custos logístcos assocados. Conforme Rbero e Lorena (2005) os fardos de celulose são consttuídos de placas de celulose amarradas por arame. Uma undade de celulose é composta por um conjunto de fardos. Cada undade de celulose também é amarrada por um arame, o que permte um carregamento mas efcente através dos gundastes. As undades de celulose a serem estvadas apresentam dmensões varadas são posconadas nos porões dos navos. A estvagem de undades de celulose em um porão se dá por camadas. Uma vez defnda a prmera camada, as demas são repetções desta prmera. Com sso o problema passa a ser

2 bdmensonal, ou seja, um problema de empacotamento bdmensonal. Isso porque se entre uma camada e outra, as undades forem rotaconadas, de tal manera que os arames se cruzem, durante o balanço do navo, esses arames podem se partr, avarando a carga (Rbero e Lorena, 2005). Sendo assm, conforme a tpologa de Dyckhoff (1990), PEUC pode ser classfcado como sendo 2/B/O/C (bdmensonal, seleção de tens, objeto únco, tens guas), desta forma, este problema pode ser vsto com o problema de carregamento de paletes do produtor (PCPP) (HODGSON, 1982). O PCPP consste em arranjar, sem sobreposção, o máxmo possível de caxas guas sobre um palete de manera a otmzar o aprovetamento do mesmo. Consderando as dversas e possíves aplcações prátcas do PCPP, mutos métodos de soluções têm sdo estudados. Autores propuseram métodos exatos, cujos algortmos utlzam bascamente uma estrutura de árvore (DOWSLAND, 1987; ALVAREZ-VALDES et al, 2005). Entretanto, todas estas abordagens são em geral computaconalmente ntratáves em stuações prátcas, sto é, não é possível encontrar soluções exatas dentro de um lmte acetável de tempo. Outros métodos foram crados ou utlzados, entre eles estão os métodos construtvos que dvdem o palete em blocos (STEUDEL, 1979; SMITH & DE CANI, 1980), métodos recursvos (YOUNG-GUN & MAING-KYU, 2001) e métodos baseados em estruturas do tpo G4 (SCHEITHAUER & TERNO, 1996). Outros trabalhos exstentes aplcam as metaheurístcas conhecdas como Busca Tabu (PUREZA & MORABITO, 2005). Especfcamente sobre o PEUC, Rbero e Lorena (2005) aplcaram uma relaxação lagrangeana com clusters (LagClus) em problemas reas para obter lmtantes. O PEUC dfere dos problemas de palete, devdo à sua magntude. Enquanto o PCPP apresenta nstancas na lteratura com até 150 caxas, o PEUC apresenta problemas prátcos varando de 150 a 550 undades de celulose. Com sso, este trabalho vem apresentar resultados obtdos com heurístcas de bloco para o PEUC em nstâncas reas, assm como explorado por Rbero e Lorena (2005), entretanto, essas heurístcas apresentam um tempo computaconal muto nferor a LagClus e resultados guas. Além dsso, este trabalho propõe um aplcatvo web, escrto em Java, para gerar os planos de estvagem conforme dados do problema. O restante do trabalho esta dvddo da segunte manera. Na Seção 2 é apresenta a formulação matemátca do PEUC, na Seção 3 são apresentadas às teoras de partções efcentes que consttu a base para as heurístcas de bloco, na Seção 4 são apresentados resultados computaconas e na Seção 5, são apresentadas as conclusões e recomendações, seguda das referêncas bblográfcas. 2. Formulação do PEUC O trabalho de Beasley (1985), de forma geral, consdera o problema de corte bdmensonal, que consste em cortar um número de peças retangulares de um retângulo maor, de forma a maxmzar o valor das peças cortadas. Assm, o PEUC pode ser formulado usando um caso partcular da formulação de Beasley (1985). Consderando então que o porão de um navo possu comprmento L e largura W, tal que L W e, que l e w representam o comprmento e a largura das undades de celulose, respectvamente, tal que l w e l W. Pode-se representar os possíves posconamentos de uma undade de celulose no porão, como sendo ( l 1, w1 ) = ( l, w) e ( l 2, w2 ) = ( w, l). Com sso, essas posções podem ser representadas por ( l, w ) = 1, 2, que ndcam o comprmento e a largura de uma face na orentação, como mostra a Fgura 1.

3 Undade de Celulose Porão (a) Fgura 1 - Orentações possíves de uma undade de celulose: (a) horzontal (H-Undade) e (b) vertcal (V- Undade) Sejam X e Y conjuntos que representam as coordenadas (p,q) do canto nferor esquerdo das undades, meddas a partr do canto nferor esquerdo do porão. Esses conjuntos podem ser obtdos da segunte manera: (b) X 2 + = p Z p = = 1 l b, 0 p L w, b 0 entero, = 1,2 (1) 2 + Y = q Z q = = 1 wb, 0 q W w, b 0 entero, = 1,2 Seja a uma função que descreve as restrções de sobreposção de undades no porão, que pode ser obtda com antecedênca para cada posção (p,q), em relação a cada posção (r,s) para a orentação. Sendo p X p L l, q Y q W w, r X, s Y, e = 1,2. Portanto, pode-se expressar esta função como: a 1, Se 0 p r p + l 1 L 1 e 0 q s q + w 1 W 1 = pqrs (3) 0, Caso contráro Seja { 0,1} x uma varável bnára de decsão para todo p X p L l, q Y q W w, e pq =1,2. Se x = 1, então uma undade de celulose é colocada nas coordenadas (p,q) do porão pq com orentação, x = 0 caso contráro. pq Assm, o PEUC pode ser formulado como (BEASLEY, 1985): 2 v ( PEUC ) Max x (4) {p X p L l } pq = 1 {q Y q W w } Sujeto a: 2 = 1 x pq = {p X p L l } {q Y q W w } (2) a x 1, r X e s Y (5) pqrs pq { 0,1} = 1...2, p X tal que p L l, e q Y tal que q W w (6) A restrção defnda pela Equação (5) garante a nexstênca de sobreposção de undades de celulose e a Equação (6) garante que as varáves de decsão são bnáras. Para as nstâncas prátcas do PEUC, a formulação (4)-(6) produz centenas de restrções e varáves, nvablzando a solução mesmo com pacotes comercas de otmzação. 3. Partções efcentes e heurístcas de bloco Uma forma de resolver o PECU é através das heurístcas de bloco. Essas heurístcas

4 trabalham com subdvsões das dmensões do porão em função das dmensões da undade. As possíves combnações de undades, com comprmento l e largura w, na dmensão L ou W, que não excedem o comprmento ou a largura do porão, é defnda como possíves partções (BISCHOFF & DOWSLAND, 1982). Dado que (n, m) é um par ordenado ntero postvo que satsfaz: n* l m* w S (7) onde: S é a dmensão do porão (L ou W); n é a quantdade de undades de celulose com comprmento l na dmensão S; e m é a quantdade de undades de celulose com largura w na dmensão S. Todas as possíves partções da dmensão S são denotadas por F(S,l,w). Se n e m também satsfazem: 0 S n * l m * w < w (8) Então (n, m) é denomnada de partção efcente de S, segundo Martns (2003). Para a dmensão S do porão, o conjunto de partções efcentes de S, denotado por E(S,l,w), pode ser defndo usando a segunte expressão: { }, n 0,1,..., S / l e m = ( S n* l) / w (9) Com sso, uma partção efcente consttu-se em colocar a maor quantdade de undades, horzontalmente (comprmento) e vertcalmente (largura), na dmensão L ou W, de forma a ocupar toda a dmensão, não restando espaço vazo, e se não for possível, o espaço restante deve ser menor que w. Uma vez defndo partções efcentes, as heurístcas de bloco consstem em defnr blocos (conjuntos) de undades que deverão ser posconadas sobre o porão. Neste trabalho, serão utlzadas as heurístcas de 1, 2, 3, 4 e 5 blocos propostas por Steudel (1979) e Smth e De Can(1980). A Fgura 2 apresenta algumas soluções encontradas pelas heurístcas de bloco. L= 22 W = 14 l = 7 w = 3 Solução Ótma: 14 L= 21 W = 11 l = 4 w = 3 Solução Ótma: 19 L= 19 W = 13 l = 4 w = 3 Solução Ótma: 20 L= 19 W = 13 l = 5 w = 3 Solução Ótma: 16 L= 14 W = 14 l = 5 w = 2 Solução Ótma: 19 (a) (b) (c) (d) (e) Fgura 2 Heurístca de Bloco. (a) 1-Bloco, (b) 2-Blocos, (c) 3-Blocos, (d) 4-Blocos e (e) 5-Blocos Fonte: Martns (2003) 3.1. Heurístca de um bloco A quantdade de undades organzadas em L ou W é dada por: A L = L / l, A W = W / l, B L = L / w e B W = W / w, sendo A L o número de undades de comprmento l na dmensão L; A W o número de undades de comprmento l na dmensão W; B o número de undades de L

5 largura w na dmensão L; e B o número de undades de largura w na dmensão W. W Entretanto, a heurístca de um bloco arranja (empacota) todas as undades com a mesma orentação. Se A * B > A * B, então um bloco na horzontal com A * B undades (H- L W W L L W Undade), deve ser utlzado. Caso contráro, um bloco na vertcal com A W * B L undades (V- Undade), deve ser utlzado. A Fgura 2(a) apresenta a solução ótma de um problema obtda com a heurístca de um bloco. Note que o bloco apresenta a orentação H-Undade Heurístca de dos blocos As heurístcas com dos ou mas blocos, são baseadas na seleção do tamanho do prmero bloco, depos o do segundo, e assm por dante. Em seguda, ndvdualmente preenche-se cada bloco com a heurístca de um bloco. Na heurístca de dos blocos, para cada partção (n, m) em E(L,l,w), cra-se dos blocos: um com todas as undades na horzontal, com n colunas e B lnhas, e um bloco com todas as W undades na vertcal com m colunas e A W lnhas. Também gera-se, da mesma forma, dos blocos para cada partção (n, m) em E(W,l,w), e consdera-se a melhor solução encontrada. A Fgura 2 (b) apresenta uma solução com dos blocos para um problema Heurístca de três blocos A heurístca de três blocos utlza a heurístca de dos blocos. Se após computar os resultados para cada partção efcente na heurístca de dos blocos, anda exstr regões que não são utlzadas, a heurístca tenta adconar um tercero bloco nesta área não usada, seleconando a melhor solução como resultado. A Fgura 2 (c) apresenta uma solução através dessa heurístca para um dado problema Heurístca de quatro blocos Steudel (1979) e Smth e De Can(1980) propuseram a heurístca de quatro blocos, que consste em alocar um bloco com orentação fxa para cada um dos quatro cantos de uma caxa, no caso do PEUC, porão. A Fgura 2(d) apresenta uma solução produzda por esta heurístca para um problema. Maores comentáros sobre esta heurístca, assm como seu algortmo, serão apresentados com a heurístca de cnco blocos Heurístca de cnco blocos A heurístca de cnco blocos utlza a heurístca de quatro blocos para defnr uma solução. Após computar a heurístca de quatro blocos, se exstr área não utlzada, o algortmo tenta empacotar um qunto bloco neste espaço, preenchendo-o com a heurístca de um bloco. A Fgura 2 (e) apresenta uma solução produzda por esta heurístca. Bschoff e Dowsland (1982) propuseram um algortmo usando quatro loops annhados, baseados nas partções efcentes, para computar as dmensões dos quatro blocos. Sendo assm, seja ( L, W ) as dmensões de um bloco, e C = L * W a área desse bloco, tal que = Com sso, segue abaxo o pseudocódgo da heurístca de cnco blocos, conforme Bschoff e Dowsland (1982). Algortmo: P_x {} P_y {} melhor_solução 0 P_x partções_efcentes_x P_y partções_efcentes_y Para cada P_x[] Faça n 1 P_x[].n //para cada partção efcente

6 m 1 P_x[].m L 1 n 1 * w L 2 m 1 * l Para cada P_y[j] Faça //para cada partção efcente n 2 P_y[j].n m 2 P_y[j].m W 1 m 2 * l W 4 n 2 * w C 1 L 2 * W 1 Para cada P_x[z] Faça //para cada partção efcente n 3 P_x[z].n m 3 P_x[z].m L 3 n 3 * w L 4 m 3 * l C 4 L 4 * W 4 Para cada P_y[k] Faça //para cada partção efcente n 4 P_y[k].n m 4 P_y[k].m W 3 m 4 * l W 2 n 4 * w C 3 L 3 * W 3 C 2 L 2 * W 2 Se Não_Exste_Sobreposção (L 1, L 2, L 3, L 4, L 5, W 1, W 2, W 3, W 4, W 5) Então Calcule(L 5, W 5, C 5) Heurístca_de_Um_Bloco (L 5, W5) Se ((C 1 + C 2 + C 3 + C 4 + C 5) > melhor_solução) Então Melhor_solução C 1 + C 2 + C 3 + C 4 + C 5 Salve(L 1, L 2, L 3, L 4, L 5, W 1, W 2, W 3, W 4, W 5) Fm se Fm se Fm para Fm para Fm para Fm para //Função que verfca se exste o qunto bloco Não_Exste_Sobreposção (L 1, L 2, L 3, L 4, L 5, W 1, W 2, W 3, W 4, W 5) Não_Exste_Sobreposcao Verdadero Se (L 1 + L 3 > X) Então Se (W 1 + W 3 > Y) Então Não_Exste_Sobreposcao Falso Senão W 5 Y (W 1 + W 3) L 5 X (L 2 + L 4) Senão Se (L 2 + L 4 > X) Então Se (W 2 + W 4 > Y) Então Não_Exste_Sobreposcao Falso Senão W 5 Y (W 2 + W 4) L 5 X (L 1 + L 3) Fm semão Fm se Fm senão 4. Aplcações a casos reas As heurístcas de bloco apresentadas anterormente, foram mplementadas em C++. Em seguda, a partr de dados reas obtdos junto a portos brasleros, foram realzados expermentos computaconas que permtssem avalar o plano de estvagem realzado na prátca. Na Tabela 1 podem ser vsualzados dados relatvos aos porões, às undades de celulose e as soluções prátcas adotadas pelos portos. Na Tabela 2 são apresentados os resultados obtdos com as heurístcas para as nstâncas da Tabela 1. Note prmeramente que os tempos computaconas são baxos, nferores a 1 segundo. Em seguda, pode-se perceber, através das médas, que as soluções produzdas pela

7 heurístca de 5 blocos são melhores que as demas. Comparando essa heurístca com a de um bloco, percebe-se uma melhora sgnfcatva. Por camada a heurístca de 5 blocos consegue estvar 10,6 undades a mas (239,3 228,8). Porão Undade Plano de Estvagem Instânca L(cm) W(cm) l(cm) w(cm) Número de Undades I I I I I I I I I I I I I I I Méda 230,6 Tabela 1 Instâncas reas da estvagem Inst. Um Bloco Dos Blocos Três Blocos Quatro Blocos Cnco Blocos I , , , , ,04 I , , , , ,02 I , , , , ,03 I , , , , ,01 I , , , , ,03 I , , , , ,01 I , , , , ,02 I , , , , ,03 I , , , , ,03 I , , , , ,03 I , , , , ,05 I , , , , ,06 I , , , , ,03 I , , , , ,03 I , , , , ,00 Méda 228,8 0,00 236,6 0,00 237,7 0,00 239,1 0, ,3 0,028 Tabela 2 Resultados obtdos Comparando-se agora as médas obtdas na Tabela 2 com o que vem sendo realzado na prátca, percebe-se claramente uma melhora a partr da heurístca de 2 blocos. A heurístca de 1 bloco apresentou um resultado nferor (aproxmadamente 1,9 undades a menos). Por outro lado, a heurístca de 5 blocos apresentou resultados melhores, consegundo estvar 8,7 undades a mas. Vale ressaltar que esse ganho pode ser anda maor, dado que esta melhora é por camada. Consderando que um porão tem em méda 10 camadas, são 87 undades a mas embarcadas por porão. A heurístca de cnco blocos fo mplementada em Java e está dsponível em As fguras a segur, apresentam as telas com os planos de estvagem obtdos para algumas das nstancas acma.

8 5. Conclusões e recomendações Fgura 3 Plano de estvagem produzdo pela heurístca de 5 blocos Este trabalho abordou o problema da estvagem de undades de celulose (PEUC). O objetvo fo realzar uma comparação do que vem sendo realzado na prátca, com os resultados produzdos por heurístcas de bloco. Além dsso, fo mplementada uma ferramenta em Java que permte rapdamente gerar os padrões de estvagem. Verfcou-se que a heurístca de cnco blocos produz planos de estvagem mas otmzados que os realzados na prátca, em um tempo computaconal nferor a 1 segundo. Isso pode aumentar produtvdade nos portos brasleros, além de permtr uma redução dos custos logístcos envolvdos. Referêncas ALVAREZ-VALDES, R.; PARREÑO, F. & TAMARIT, J. M. A Branch-and-Cut Algorthm for the Pallet Loadng Problem. Computer and Operatons Research. Vol. 32, n. 11, p , BEASLEY, J. An Exact Two-Dmensonal non Gullotne Cuttng Tree Search Procedure. Operatons Research. Vol. 33, p , BISCHOFF, E.E. & DOWSLAND, W.B. An Applcaton of the Mcro to Product Desgn and Dstrbuton. Journal of the Operatonal Research Socety. Vol. 33, p , BRANCH, A. E. Elements of Shppng.. 7. ed. Cheltenham: Nelson Thornes, DOWSLAND, K. An exact algorthm for the pallet loadng problem. European Journal of Operatonal Research. Vol. 31, p , DYCKHOFF, H. A Typology of Cuttng and Packng Problems. European Journal of Operatonal Research. Vol. 44, p , HANDABAKA, A. R. Gestão logístca da dstrbução físca nternaconal. São Paulo: Maltese, HODGSON, T. A combned approach to the pallet loadng problem. IIE Transactons. Vol. 14, n. 3, p , MARTINS, G. H. A Packng n Two and Three Dmensons. Monterey, CA, EUA. Dssertaton. Naval Postgraduate School, PUREZA, V. & MORABITO, R. Some experments wth a smple tabu search algorthm for the manufacturer s pallet loadng problem. Computers and Operatons Research, To appear. RIBEIRO, G. M. & LORENA, L. A. N. Análse da estvagem de undade de celulose utlzando Relaxação Lagrangeana. Anas do XIX Congresso de Pesqusa e Ensno em Transporte, ANPET Vol. 2, p , SCHEITHAUER, G. & TERNO, J. The G4-heurstc for the pallet loadng problem. Journal of the Operatonal Research Socety. Vol. 47, p , SMITH, A. & DE CANI, P. An Algorthm to Optmze the Layout of Boxes n Pallets. Journal of the Operatonal Research Socety. Vol. 31, p , STEUDEL, H.J. Generatng Pallet Loadng Patterns: a Specal Case of the Two- Dmensonal Cuttng Stock Problem. Management Scence. Vol. 25, p , YOUNG-GUN, G. & MAING-KYU, K. A fast algorthm for two-dmensonal pallet loadng problems of large sze. European Journal of the Operatonal Research. Vol. 134, p , 2001.

O uso de relaxação Lagrangiana em uma abordagem exata para o problema de carregamento de paletes do produtor

O uso de relaxação Lagrangiana em uma abordagem exata para o problema de carregamento de paletes do produtor O uso de relaxação Lagrangana em uma abordagem exata para o problema de carregamento de paletes do produtor Llan Káta de Olvera (FSA) llan.olvera@fsa.br Renaldo Morabto (UFSCar) morabto@power.ufscar.br

Leia mais

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1

Programação Dinâmica. Fernando Nogueira Programação Dinâmica 1 Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A

Leia mais

UMA ABORDAGEM EXATA UTILIZANDO RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO DE PALETES

UMA ABORDAGEM EXATA UTILIZANDO RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO DE PALETES UMA ABORDAGEM EXATA UTILIZANDO RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO DE PALETES Llan Káta de Olvera Unversdade Federal de São Carlos, Departamento de Engenhara de Produção Centro Unverstáro

Leia mais

Modelo de programação por restrições para o problema de empacotamento ortogonal tridimensional

Modelo de programação por restrições para o problema de empacotamento ortogonal tridimensional Capítulo 5 Modelo de programação por restrções para o problema de empacotamento ortogonal trdmensonal Olvana Xaver do Nascmento 1 Llane de Azevedo Olvera 1 Thago Alves de Queroz 1 Resumo: O Problema de

Leia mais

SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES

SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES XXXIV SBPO SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ A PESQUISA OPERACIONAL E AS CIDADES UM MÉTODO EXATO BASEADO EM RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO

Leia mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero

Leia mais

MÉTODO 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 MÉTODO DE GERAÇÃO DE COLUNAS PARA O PROBLEMA DO CARREGAMENTO DE PALETES DO PRODUTOR Glaydston Mattos Rbero Laboratóro Assocado de Computação e Matemátca Aplcada Insttuto Naconal de Pesqusas Espacas 2.227-00,

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

UM MÉTODO HEURÍSTICO BASEADO EM RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR

UM MÉTODO HEURÍSTICO BASEADO EM RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR Vol. 0, No., p. 97-, dezembro de 000 Pesqusa Operaconal 97 UM MÉTODO HEURÍSTICO BASEADO EM RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR Randal Farago Renaldo Morabto Departamento

Leia mais

O USO DE RELAXAÇÕES LAGRANGIANA E SURROGATE NO PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR

O USO DE RELAXAÇÕES LAGRANGIANA E SURROGATE NO PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR A pesqusa Operaconal e os Recuos Renováves 4 a 7 de novembro de 003, Natal-RN O USO DE RELAXAÇÕES LAGRANGIANA E SURROGATE NO PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR Llan Káta de Olvera Renaldo

Leia mais

3 Elementos de modelagem para o problema de controle de potência

3 Elementos de modelagem para o problema de controle de potência 3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente

Leia mais

MODELOS DE OTIMIZAÇÃO PARA PROBLEMAS DE CARREGAMENTO DE CONTÊINERES COM CONSIDERAÇÕES DE ESTABILIDADE E DE EMPILHAMENTO

MODELOS DE OTIMIZAÇÃO PARA PROBLEMAS DE CARREGAMENTO DE CONTÊINERES COM CONSIDERAÇÕES DE ESTABILIDADE E DE EMPILHAMENTO versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-5142 MODELOS DE OTIMIZAÇÃO PARA PROBLEMAS DE CARREGAMENTO DE CONTÊINERES COM CONSIDERAÇÕES DE ESTABILIDADE E DE EMPILHAMENTO Leonardo Junquera Renaldo

Leia mais

3 Algoritmos propostos

3 Algoritmos propostos Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

CAPÍTULO. Cassius Tadeu Scarpin. Universidade Federal do Paraná, Programa de Pós-Graduação em Métodos Numéricos em Engenharia.

CAPÍTULO. Cassius Tadeu Scarpin. Universidade Federal do Paraná, Programa de Pós-Graduação em Métodos Numéricos em Engenharia. 3 CAPÍTULO MODELO DE PROGRAMAÇÃO LINEAR INTEIRA PARA O PROBLEMA DE CARREGAMENTO DE MÚLTIPLOS CONTÊINERES COM RESTRIÇÕES DE CARREGAMENTO COMPLETO DE GRUPO DE ITENS E DE ESTABILIDADE VERTICAL Cleder Marcos

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO

IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;

Leia mais

MÉTODOS EXATOS BASEADOS EM RELAXAÇÕES LAGRANGIANA E SURROGATE PARA O PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR

MÉTODOS EXATOS BASEADOS EM RELAXAÇÕES LAGRANGIANA E SURROGATE PARA O PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-514 MÉTODOS EXATOS BASEADOS EM RELAXAÇÕES LAGRANGIANA E SURROGATE PARA O PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR Llan Káta de Olvera Renaldo

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

Abordagens para problemas de carregamento de contêineres com considerações de múltiplos destinos

Abordagens para problemas de carregamento de contêineres com considerações de múltiplos destinos Gest. Prod., São Carlos, v. 18, n. 2, p. 265-284, 2011 Abordagens para problemas de carregamento de contêneres com consderações de múltplos destnos Approaches for contaner loadng problems wth mult-drop

Leia mais

GRASP PARA OTIMIZAR O CARREGAMENTO DE UM CONTÊINER

GRASP PARA OTIMIZAR O CARREGAMENTO DE UM CONTÊINER A ntegração de cadeas produtvas com a abordagem da manufatura sustentável. Ro de Janero, RJ, Brasl, 13 a 16 de outubro de 2008 GRASP PARA OTIMIZAR O CARREGAMENTO DE UM CONTÊINER ETELVIRA CRISTINA BARRETO

Leia mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro. Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na

Leia mais

SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES

SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES O PROBLEMA DE CORTE BIDIMENSIONAL COM PLACA DEFEITUOSA ANDRÉA CARLA GONÇALVES VIANNA Unversdade Estadual Paulsta - UNESP Faculdade de Cêncas Departamento de Computação Av. Luz Edmundo Carrjo Coube, s/n,

Leia mais

Modelo de Alocação de Vagas Docentes

Modelo de Alocação de Vagas Docentes Reunão Comssão de Estudos de Alocação de Vagas Docentes da UFV Portara 0400/2016 de 04/05/2016 20 de mao de 2016 Comssão de Estudos das Planlhas de Alocação de Vagas e Recursos Ato nº 009/2006/PPO 19/05/2006

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO

UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Paula Marana dos Santos (UFV) paula-maranna@hotmal.com

Leia mais

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite

5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite 5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar

Leia mais

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS

DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS 177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,

Leia mais

8 - Medidas Descritivas

8 - Medidas Descritivas 8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005.

Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos Jorge Figueiredo, DSC/UFCG. Análise e Técnicas de Algoritmos 2005. Agenda Análse e Técncas de Algortmos Jorge Fgueredo Ordenação baseada em comparação Inserton Sort Mergesort Qucksort Ordenação em tempo lnear Análse de de Algortmos de de Ordenação Problema da Ordenação

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

5 Formulação para Problemas de Potencial

5 Formulação para Problemas de Potencial 48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

O PROBLEMA DE CORTE DE ESTOQUE BIDIMENSIONAL APLICADO A UMA INDÚSTRIA DE ESQUADRIAS METÁLICAS

O PROBLEMA DE CORTE DE ESTOQUE BIDIMENSIONAL APLICADO A UMA INDÚSTRIA DE ESQUADRIAS METÁLICAS O PROBLEMA DE CORTE DE ESTOQUE BIDIMESIOAL APLICADO A UMA IDÚSTRIA DE ESQUADRIAS METÁLICAS Andréa Carla Gonçalves Vanna {vanna@fc.unesp.br} Departamento de Computação DCo Unversdade Estadual de São Paulo

Leia mais

4.1 Modelagem dos Resultados Considerando Sazonalização

4.1 Modelagem dos Resultados Considerando Sazonalização 30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

V SMAT Simpósio de Matemática Presidente Prudente - SP 10 a 13 de agosto de Minicurso Introdução a Problemas de Corte de Estoque

V SMAT Simpósio de Matemática Presidente Prudente - SP 10 a 13 de agosto de Minicurso Introdução a Problemas de Corte de Estoque V SMAT Smpóso de Matemátca Presdente Prudente - SP 10 a 13 de agosto de 2010 Mncurso Introdução a Problemas de Corte de Estoque Adrana Crstna Cherr Departamento de Matemátca - Faculdade de Cêncas Unversdade

Leia mais

7 Tratamento dos Dados

7 Tratamento dos Dados 7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r

Leia mais

UM MÉTODO HEURÍSTICO BASEADO EM PROGRAMAÇÃO DINÂMICA PARA O PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO RESTRITO

UM MÉTODO HEURÍSTICO BASEADO EM PROGRAMAÇÃO DINÂMICA PARA O PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO RESTRITO UM MÉTODO HEURÍSTICO BASEADO EM PROGRAMAÇÃO DINÂMICA PARA O PROBLEMA DE CORTE BIDIMENSIONAL GUILHOTINADO RESTRITO v.9, n.1, p.78-92, abr. 2002 Rejane Joas Slvera Renaldo Morabto Departamento de Engenhara

Leia mais

UMA HEURÍSTICA PARA O PROBLEMA DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO

UMA HEURÍSTICA PARA O PROBLEMA DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. UMA HEURÍSTICA PARA O PROBLEMA DA ALOCAÇÃO DE SONDAS DE PRODUÇÃO EM POÇOS DE PETRÓLEO Alexandre Venturn Faccn Pacheco (UFES) alexandreventurn@gmal.com

Leia mais

5 Implementação Procedimento de segmentação

5 Implementação Procedimento de segmentação 5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser

Leia mais

Heurística de múltiplos inícios para o problema de empacotamento tridimensional em faixa

Heurística de múltiplos inícios para o problema de empacotamento tridimensional em faixa Heurístca de múltplos nícos para o problema de empacotamento trdmensonal em faxa Vnícus Amaral Armentano Faculdade de Engenhara Elétrca e de Computação Unversdade Estadual de Campnas vncus@denss.fee.uncamp.br

Leia mais

Gestão e Teoria da Decisão

Gestão e Teoria da Decisão Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas

Leia mais

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos

Leia mais

Modelo de Programação Estocástica

Modelo de Programação Estocástica Modelo de Programação Estocástca 23 2 Modelo de Programação Estocástca 2.. Concetos báscos A programação estocástca (PE) é defnda como um modelo de otmzação que apresenta um ou mas parâmetros estocástcos

Leia mais

DELINEAMENTOS EXPERIMENTAIS

DELINEAMENTOS EXPERIMENTAIS SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS DE REGRESSÃO PARAMÉTRICOS MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da

Leia mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. IV Análise estatística de incertezas aleatórias TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda

Leia mais

MODELOS DE DIMENSIONAMENTO DE LOTES COM CUSTOS DE TRANSPORTE

MODELOS DE DIMENSIONAMENTO DE LOTES COM CUSTOS DE TRANSPORTE MODELOS DE DIMENSIONAMENTO DE LOTES COM CUSTOS DE TRANSPORTE Flavo Molna Unversdade Federal de São Carlos UFSCar - Departamento de Engenhara de Produção Rod. Washngton Luís - Km 235, São Carlos, São Paulo

Leia mais

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.

Universidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D. Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.

Leia mais

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia mais

2 Metodologia de Medição de Riscos para Projetos

2 Metodologia de Medição de Riscos para Projetos 2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem

Leia mais

3 Método Numérico. 3.1 Discretização da Equação Diferencial

3 Método Numérico. 3.1 Discretização da Equação Diferencial 3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando

Leia mais

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

O QUEBRA-CABEÇA DE LANGFORD

O QUEBRA-CABEÇA DE LANGFORD O QUEBRA-CABEÇA DE LANGFORD Mateus Mendes Magela Unversdade Federal do Espírto Santo mateusmendes.m@uol.com.br Resumo: O Quebra-Cabeça de Langford é um passatempo muto atraente e sufcentemente engenhoso

Leia mais

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas

Leia mais

METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO

METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL. Iran Carlos Stalliviere Corrêa RESUMO Semnáro Anual de Pesqusas Geodéscas na UFRGS, 2. 2007. UFRGS METODOLOGIA PARA O CÁLCULO DE VAZÃO DE UMA SEÇÃO TRANSVERSAL A UM CANAL FLUVIAL Iran Carlos Stallvere Corrêa Insttuto de Geocêncas UFRGS Departamento

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

Abordagem da Metaheurística Clustering Search com Simulated Annealing para o Problema de Alocação de Berços de Navios

Abordagem da Metaheurística Clustering Search com Simulated Annealing para o Problema de Alocação de Berços de Navios Abordagem da Metaheurístca Clusterng Search com Smulated Annealng para o Problema de Alocação de Berços de Navos Rudne Martns de Olvera 1, *, Geraldo Regs Maur 2, Luz Antono Noguera Lorena 3 1 rudmart@gmal.com,

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

Um Modelo De Programação Linear Inteira Mista Para A Localização De Armazéns E A Distribuição De Produtos Siderúrgicos

Um Modelo De Programação Linear Inteira Mista Para A Localização De Armazéns E A Distribuição De Produtos Siderúrgicos A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN Um Modelo De Programação Lnear Intera Msta Para A Localzação De Armazéns E A Dstrbução De Produtos Sderúrgcos Carlos Roberto

Leia mais

AULA EXTRA Análise de Regressão Logística

AULA EXTRA Análise de Regressão Logística 1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável

Leia mais

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão.

Responda às questões utilizando técnicas adequadas à solução de problemas de grande dimensão. Departamento de Produção e Sstemas Complementos de Investgação Operaconal Exame Época Normal, 1ª Chamada 11 de Janero de 2006 Responda às questões utlzando técncas adequadas à solução de problemas de grande

Leia mais

Algoritmos Genéticos com Parâmetros Contínuos

Algoritmos Genéticos com Parâmetros Contínuos com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75

Leia mais

UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE - UENF

UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE - UENF 1 GRASP PARA OTIMIZAR O CARREGAMENTO DE UM CONTÊINER ETELVIRA CRISTINA BARRETO RANGEL LEITE UNIVERSIDADE ESTADUAL DO NORTE FLUMINENSE - UENF CAMPOS DOS GOYTACAZES - RJ MAIO DE 2007 2 GRASP PARA OTIMIZAR

Leia mais

SÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS.

SÉRIE DE PROBLEMAS: CIRCUITOS DE ARITMÉTICA BINÁRIA. CIRCUITOS ITERATIVOS. I 1. Demonstre que o crcuto da Fg. 1 é um half-adder (semsomador), em que A e B são os bts que se pretendem somar, S é o bt soma e C out é o bt de transporte (carry out). Fg. 1 2. (Taub_5.4-1) O full-adder

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Mecanismos de Escalonamento

Mecanismos de Escalonamento Mecansmos de Escalonamento 1.1 Mecansmos de escalonamento O algortmo de escalonamento decde qual o próxmo pacote que será servdo na fla de espera. Este algortmo é um dos mecansmos responsáves por dstrbur

Leia mais

ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS

ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO MÉTODO DE CROSS DECvl ANÁLISE DE ESTRUTURAS I INTRODUÇÃO AO ÉTODO DE CROSS Orlando J. B. A. Perera 20 de ao de 206 2 . Introdução O método teratvo ntroduzdo por Hardy Cross (Analyss of Contnuous Frames by Dstrbutng Fxed-End

Leia mais

Adriana da Costa F. Chaves

Adriana da Costa F. Chaves Máquna de Vetor Suporte (SVM) para Regressão Adrana da Costa F. Chaves Conteúdo da apresentação Introdução Regressão Regressão Lnear Regressão não Lnear Conclusão 2 1 Introdução Sejam {(x,y )}, =1,...,,

Leia mais

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma. UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823

Leia mais

Balanceamento das cargas nas respectivas fases do circuito [8]: Posicionamento do transformador abaixador: Recondutoramento dos circuitos:

Balanceamento das cargas nas respectivas fases do circuito [8]: Posicionamento do transformador abaixador: Recondutoramento dos circuitos: A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN PLANEJAMENTO DE CIRCUITOS SECUNDÁRIOS DE DISTRIBUIÇÃO USANDO ALGORITMO EVOLUTIVO ESPECIALIZADO Antono Marcos Coss Grupo

Leia mais

Teoria Elementar da Probabilidade

Teoria Elementar da Probabilidade 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

Procedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson

Procedimento Recursivo do Método dos Elementos de Contorno Aplicado em Problemas de Poisson Trabalho apresentado no III CMAC - SE, Vtóra-ES, 015. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs Procedmento Recursvo do Método dos Elementos de Contorno Aplcado em Problemas

Leia mais

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária. Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe

Leia mais

4 Discretização e Linearização

4 Discretização e Linearização 4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas

Leia mais

ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL

ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência. MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,

Leia mais

4.1. Medidas de Posição da amostra: média, mediana e moda

4.1. Medidas de Posição da amostra: média, mediana e moda 4. Meddas descrtva para dados quanttatvos 4.1. Meddas de Posção da amostra: méda, medana e moda Consdere uma amostra com n observações: x 1, x,..., x n. a) Méda: (ou méda artmétca) é representada por x

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma

Leia mais

Variável discreta: X = número de divórcios por indivíduo

Variável discreta: X = número de divórcios por indivíduo 5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

Teoremas de Otimização com Restrições de Desigualdade

Teoremas de Otimização com Restrições de Desigualdade Teoremas de Otmzação com Restrções de Desgualdade MAXIMIZAÇÃO COM RESTRIÇÃO DE DESIGUALDADE Consdere o segunte problema (P) de maxmzação condconada: Maxmze Fx onde x x,x,...,x R gx b As condções de Prmera

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

Prioridades com Teste de Escalonabilidade

Prioridades com Teste de Escalonabilidade rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento

Leia mais

PROBLEMA DE DIMENSIONAMENTO DE LOTES E SEQÜENCIAMENTO DA PRODUÇÃO: UM ESTUDO DE CASO EM UMA INDÚSTRIA DE BEBIDAS

PROBLEMA DE DIMENSIONAMENTO DE LOTES E SEQÜENCIAMENTO DA PRODUÇÃO: UM ESTUDO DE CASO EM UMA INDÚSTRIA DE BEBIDAS ! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& PROBLEMA DE DIMENSIONAMENTO DE LOTES E SEQÜENCIAMENTO

Leia mais

3 Definição automática de carregamento ótimo

3 Definição automática de carregamento ótimo 3 Defnção automátca de carregamento ótmo A formulação ncal mostrada neste capítulo fo feta por Sérgo Álvares Maffra[11] e parte da mplementação fo feta por Anderson Perera, tendo sofrdo algumas modfcações

Leia mais

CURSO de ESTATÍSTICA Gabarito

CURSO de ESTATÍSTICA Gabarito UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais