UM ALGORITMO POLINOMIAL PARA O PROBLEMA DISCRETO DE LOCALIZAÇÃO DE FACILIDADE COM DISTÂNCIAS LIMITADAS E RESTRIÇÕES DE ATENDIMENTO.
|
|
- Diogo Chagas Monsanto
- 7 Há anos
- Visualizações:
Transcrição
1 UM ALGORITMO POLINOMIAL PARA O PROBLEMA DISCRETO DE LOCALIZAÇÃO DE FACILIDADE COM DISTÂNCIAS LIMITADAS E RESTRIÇÕES DE ATENDIMENTO. Thiago Pinheiro Jeronimo (UFRN) thiagopj@gmail.com Isaac Franco Fernandes (UFRN) isaacfranco@gmail.com Daniel Aloise (UFRN/GERAD) aloise@dca.ufrn.br Dario Jose Aloise (UERN) aloisedj@gmail.com O objetivo no problema de localização de facilidades com distâncias limitadas é minimizar a soma de funções de distância da facilidade para seus clientes, mas com um limite em cada uma destas distâncias, a partir da qual a função corresponddente torna-se constante. O problema tem aplicações em situações onde o serviço provido pela facilidade é impassível após uma distância limite. Neste trabalho, nós apresentamos um algoritmo polinomial para o caso discreto do problema com restrições de capacidade no número de clientes que podem ser servidos. Palavras-chaves: Teoria da localização, distâncias limitadas, restrições de atendimento
2 1. Introdução O problema de soma mínima (também conhecido como problema de Weber) é um dos mais básicos na teoria da localização. Ele remete a uma situação na qual existe um conjunto de pontos de demanda num plano e a localização de uma facilidade deve ser escolhida de modo que a soma das distâncias ponderadas da facilidade aos pontos clientes seja minimizada (WESOLOWSKY, 1993). As aplicações deste problema na vida real são inúmeras (e.g. Correa et al, 2004; Marín, 2011; Pelegrín et al., 2006; Johnson, Gorr e Roehrig, 2005; Beresnev, 2009), considerando que antenas, depósitos, escolas, fábricas e estações de tratamento, dentre outros exemplos, são centros que devem atender a um número de clientes numa região. Além disso, seus custos de instalação somados aos seus custos operacionais geralmente são altos, tornando-se necessário um estudo para a obtenção da melhor localização. Desta forma, construir um depósito mais próximo dos clientes, instalar antenas de serviço telefônico mais próximo de onde a demanda é maior ou até escolher um local para uma escola menos distante dos bairros residenciais são problemas comuns nos quais a teoria da localização se aplica. Particularmente no problema de decisão da localização de corpos de bombeiro e postos policiais, o serviço provido pela facilidade não tem efeito após certo tempo/distância limite. Uma casa em chamas estaria totalmente destruída após um determinado tempo, tornando o serviço provido pelos bombeiros ineficiente após esse período limite. Para o caso de postos policiais, poderia ser dado o exemplo no qual criminosos seriam inalcançáveis após um tempo limite desde o momento da chamada. Para casos assim, Drezner, Mehrez e Wesolowski (1991) propõem uma variação do modelo de Weber com distâncias limitadas. A equação 1 apresenta a definição matemática do problema, onde λ i é a distância máxima associada com o ponto de atendimento p i, para i=1,..., n. Desta forma, é possível verificar que se um ponto p i estiver a uma distância da facilidade maior do que λ i, então o modelo considera esta distância constante e igual a λ i. Por exemplo, consideremos o problema da localização de um corpo de bombeiros. Nesse contexto, cada propriedade possui uma distância limite depois da qual o serviço disponibilizado pelos bombeiros seria inútil, e a propriedade estaria completamente destruída. Um exemplo de pesquisa na aplicação dessa situação é definido por Drezner, Mehrez e Wesolowsky (1991). Os autores supõem uma situação na qual certo dano ocorre numa propriedade localizada em p i para i = 1,..., n a uma distância nula da estação de bombeiros (localizada em y R²), e onde esse dano cresce linearmente até uma distância λ i, na qual o dano é de 100%. Denotando pi - y como a distância entre o ponto p i e a facilidade localizada em y, e Ω como a proporção de dano a distância zero, a proporção de dano em p i é dada por Ω + (1 - Ω) p i y / λ i para p i y < λ i, e 1 caso contrário. O problema de localização de facilidade correspondente é expresso na equação (2). 2
3 O primeiro termo da soma é constante e (1 - Ω) é irrelevante ao segundo termo. Introduzindo variáveis binárias υ i que selecionam entre p i y e λ i no somatório da função objetivo, obtem-se o problema de minimização (3) Fernandes et al. (2010) estendem este modelo adicionando a ele restrições de capacidade no número de atendimentos passível de ser realizado por uma facilidade. Na prática, no funcionamento de uma facilidade existe uma quantidade máxima de clientes que podem ser atendidos sem afetar a qualidade do serviço. Em outras situações é necessário incorporar ao modelo a existência de um limite mínimo de usuários atendidos que justifiquem a instalação de uma facilidade. Neste mesmo artigo, os autores apresentam um algoritmo exato de decomposição para o modelo que inicialmente separa para avaliação apenas as subregiões do espaço que possam de fato alojar a solução ótima y*. A partir daí, cada um dos subproblemas associados às subregiões selecionadas é reformulado e resolvido por meio de solvers de otimização convexa. Utilizando distâncias Euclidianas e Manhattan para as mesmas instâncias, os autores fazem uso do CPLEX e de Bonmin (Bonami e Lee, 2007), respectivamente. Em muitos problemas de localização, a facilidade só pode ser instalada em um número finito de localizações em potencial. Nestes casos, um modelo comumente utilizado na literatura é o das p-medianas. Teitz e Bart (1968) definem o objetivo desse tipo de problema como o estabelecimento da localização de p facilidades num espaço dado (espaço Euclidiano, por exemplo) que satisfaçam n pontos de demanda de modo que a soma total de distâncias entre cada ponto de demanda e a facilidade que lhe é mais próxima seja minimizado. Neste trabalho, apresentamos um algoritmo polinomial para a versão discreta do problema de localização de uma facilidade com distâncias limitadas e restrições de atendimento. A estrutura do trabalho se dá como a seguir. Na seção 2, o problema é formulado matematicamente Na seção 3, o algoritmo de resolução é apresentado acompanhado de uma demonstração formal de sua otimalidade A seção 4 reporta os resultados de nossos experimentos computacionais no que se referem à eficiência e eficácia do algoritmo, Por fim, são apresentadas as conclusões do trabalho. 2. Definição matemática do problema Definimos d(p i, y) como a distância entre o ponto p i e a facilidade y no plano. Dados n pontos de serviço p 1, p 2,..., p n com distâncias limitadas λ i > 0 e pesos w i para i = 1,..., n, o Problema Discreto de Soma Mínima com Distâncias Limitadas e Restrições de atendimento pode ser expresso por: O primeiro grupo de restrições define os limites LB e UB para o número de variáveis υ i, que podem ser iguais a 1. O segundo grupo de restrições assegura que υ i pode ser igual a 1 3
4 somente se a distância entre p i e a facilidade localizada em y for inferior (ou igual) à distância limite λ i. Isso evita a atribuição υ i = 1 apenas para satisfazer a restrição. A função objetivo de (4) assim como seu conjunto viável não são convexos, o que demanda métodos solucionadores mais sofisticados. Neste modelo, o valor da variável y pode assumir somente um valor de um conjunto finito e discreto de valores Y. A função objetivo de (4) pode ainda ser reescrita por meio da remoção dos termos constantes. Ela é expressa então como: 3. Algoritmo Polinomial Proposto No caso discreto do problema de localização de uma facilidade com distâncias limitadas e restrição de atendimento, as mesmas têm sua instalação limitada a um conjunto finito e conhecido de localidades. Nesse caso, o problema passa a ter uma complexidade significativamente menor do que o mesmo caso para um espaço contínuo, pois o numero de localidades potenciais é conhecido no plano. O pseudo-código do algoritmo proposto para o problema formulado na seção 2 é apresentado na Figura 1. Nas linhas de 1 a 6 são iniciadas as variáveis que configuram uma instância do problema, e nas linhas 7 e 8 são criadas duas variáveis para guardar a melhor solução (seu valor e seu índice). O laço principal que vai da linha 9 até a linha 23 calcula em cada iteração o custo de se instalar a facilidade em cada local candidato e seleciona a melhor localização. Dado um local candidato y, a linha 10 seleciona, no conjunto PA, os pontos de atendimento passíveis de serem atendidos caso a facilidade seja instalada em y. Caso a cardinalidade de PA seja superior a L (teste lógico da linha 11), os elementos de PA são ordenados de forma crescente em função da diferença de suas distâncias para y e suas respectivas distâncias máximas de atendimento. O custo da solução analisada na iteração corrente é inicializado na linha 13. O laço das linhas 15 a 17 é iterado até que tenhamos considerado todos os pontos passíveis de atendimento em PA ou que tenhamos atingindo o limite superior U, o que for menor, definido na linha 14. Deve-se notar que o custo dessa solução é sempre negativo em virtude da definição de PA e da otimização do segundo termo da equação (5), que desconsidera momentaneamente o termo constante. Nas linhas 18 até a 21 atualizamos a melhor solução com a solução da iteração investigada se esta for melhor. O algoritmo tem como saída o custo da melhor solução encontrada, corrigido através da soma do termo constante na linha 24, e o índice correspondente a melhor posição para a instalação da facilidade. O algoritmo é mostrado a seguir: 4
5 Figura 1 Algoritmo utilizado para a otimização do modelo O algoritmo proposto é polinomial, sendo sua complexidade avaliada observando a estrutura do mesmo. O laço da linha 9 a 23 é executado para cada local candidato para instalação da facilidade (O( Y )). A construção do conjunto PA na linha 10 é de tempo O( I ) pois todos os pontos de atendimento são avaliadas quanto a sua pertinência em PA. A operação de ordenação dos elementos de PA na linha 12 é de tempo O( I * Log( I )), sendo essa a operação mais custosa do laço principal. Conseqüentemente a complexidade final do algoritmo é O( Y * I * Log( I )). A exatidão do algoritmo é garantida pela prova a seguir Proposição 1: O algoritmo proposto encontra a solução ótima para o problema discreto de localização de uma facilidade com distâncias limitadas e restrições de atendimento. Prova: Suponha o local ótimo y* para instalação da facilidade. O algoritmo seleciona os B primeiros elementos de PA onde B = min{ PA,U }. Esses elementos i=1,..., B são ordenados segundo o critério d(i, y*) λ i 0. Vamos assumir a solução ótima v* correspondente aos elementos atendidos por y* respeitando L U. Temos que v i * = 1, caso a facilidade em y* considere na função objetivo o termo d(i, y*) e v i * = 0 caso este termo seja λ i. 5
6 Denotemos V ={i v i * = 1}. Analisemos dois casos. a) Para V < B. Se B= PA ou B=U, podemos tomar um elemento tal que i' PA e i' V para que v i' * = 1. Desta forma, temos uma solução resultante melhor do que a solução assumida anteriormente como ótima (uma contradição). b) Para V > B. Se B = U e V > B, a solução assumida como ótima é inviável. Caso contrário, se B = PA, existe um elemento i' em V que não pertence a PA. Portanto, este elemento pode ser retirado da solução (v i'' * = 0) de forma a obter uma solução melhor do que a ótima contradição). Logo, V = B. Precisamos ainda provar que os elementos de V correspondem aos B primeiros elementos de PA. Suponha que isto não seja verdade; existe um elemento i 1 entre os B primeiros de PA que não está em V, e logicamente, dado que V = B, existe um elemento i 2 em V que não está entre os B primeiros elementos de PA. Portanto, V não é ótimo, pois poderíamos fazer v i1 * = 1 e v i2 * = 0, melhorando o custo da solução (contradição). Desta forma provamos que o algoritmo proposto na Figura 1 é exato. 4. Experimentos computacionais Para a realização de testes de desempenho do algoritmo polinomial proposto, foram utilizadas as instâncias geradas por Fernandes et al. (2010). Como candidatos à instalação da facilidade, são definidos pontos pertencentes a uma grade gerada sobre o espaço contínuo. Essa grade é definida com limitações nos clientes mais extremos, e, para definição das potenciais localidades, ambos os eixos do plano limitado são divididos em um número igual de segmentos. Os pontos discretos definidos pelas interseções entre esses segmentos representam os pontos candidatos à instalação da facilidade. Essa discretização permitirá a observação da eficiência do algoritmo assim como uma comparação com as soluções ótimas do modelo contínuo obtidas por Fernandes et al. (2010). Quanto à quantidade de candidatos, é definido um fator de granularidade de pontos dentro do plano de busca, que representará a quantidade de seções em que será dividido o plano em cada eixo. Dessa forma, a comparação com os resultados obtidos no modelo contínuo vai depender da granularidade adotada em casa teste. Além disso, o fator de granularidade influenciará o desempenho do algoritmo devido a sua relação direta com o número de pontos candidatos. Assim, para um dado valor de granularidade g, seriam obtidos g² unidades de área, totalizando (g+1)² pontos no plano a serem analisados. Essa divisão, juntamente com as limitações estabelecidas previamente, gera uma grade, onde serão buscadas as soluções candidatas. A figura 2 mostra uma grade de granularidade 3, que gera 9 células e 16 pontos candidatos (indicados em vermelho na figura). Com o aumento do valor da granularidade, mais células e mais pontos são gerados, permitindo uma maior precisão da solução encontrada, se comparada ao ponto ótimo dentro do plano como espaço contínuo, encontrado pelo algoritmo de subregiões de Fernandes et al. (2010). 6
7 Figura 2- Plano de busca usado nos testes, para granularidade de 3x3. Os pontos pretos representam os clientes e os vermelhos representam os candidatos a localidade da facilidade O algoritmo proposto foi testado em uma plataforma Intel Core 2 Duo E GHz com 2GB de memória RAM. O algoritmo foi implementado em C++ e compilado pelo software Dev-C++. Os autores propuseram 9 instâncias, variando no número de pontos de demanda, suas distâncias limite e nas restrições de atendimento. As instâncias de teste podem ser encontradas em As instâncias são dividas em três grupos, de acordo com o número de clientes. As três primeiras possuem 10 pontos cliente, as seguintes possuem 100 e as últimas possuem A tabela 1 lista cada uma dessas instâncias e mostra os resultados obtidos pelo algoritmo em comparação aos resultados de Fernandes et al. (2010) para o modelo contínuo. A primeira coluna representa as instâncias enquanto na segunda são mostradas as distâncias limites dos pontos clientes. Nas seis colunas seguintes são exibidos os resultados de custo e de tempo de execução para o processamento das instâncias de acordo com a granularidade dada. Os resultados de custo são exibidos como a razão entre o valor da solução ótima, obtida pelo algoritmo de subregiões, e o valor obtido no algoritmo proposto para o caso discreto. Observa-se que as soluções obtidas no último sempre são de custo pior ou igual às soluções obtidas através de modelos contínuos, uma vez que esses são relaxações do caso discreto. Para os resultados de tempo de processamento, a razão é inversa: são divididos os tempos obtidos no algoritmo discreto pelos tempos levados pelo algoritmo de subregiões. Assim, no 7
8 processamento da instância l2_10_1 com granularidade de 50, o modelo discreto obteve custo com proximidade de 99,88% da solução ótima, utilizando 7,5% do tempo levado para encontrá-la. Por fim, nas duas últimas colunas são mostrados o custo ótimo da solução e o tempo de execução levado pelo método de subregiões de Fernandes et al. (2010). Algoritmo para espaço discreto Algoritmo de Fernandes et al. (2010) g = 50 g = 250 g = Instâncias λ i Custo Tempo Custo Tempo Custo Tempo Custo Tempo (s) l2_10_1 178,53 99,88% 7,50% 99,93% 59,19% 99,98% 224,27% 1475,14 1,24 l2_10_01 206,5 99,89% 3,63% 99,94% 29,30% 99,98% 109,22% 1670,93 2,56 l2_10_ ,78 99,86% 0,17% 99,96% 4,03% 99,97% 15,62% 1805,25 18,2 l2_100_1 60,14 99,97% 9,51% 100,00% 182,61% 100,00% 741,83% 5873,85 3,45 l2_100_01 73,23 99,97% 1,04% 100,00% 19,89% 100,00% 81,40% 7129,83 31,5 l2_100_001 84,08 99,95% 0,26% 100,00% 5,02% 100,00% 20,33% 8160,58 125,94 l2_1000_1 19,13 99,91% 8,86% 99,99% 211,68% 100,00% 895,97% 19063,44 29,46 l2_1000_01 23,42 99,93% 2,81% 99,99% 66,86% 100,00% 273,88% 23327,7 93,01 l2_1000_001 27,02 99,94% 0,83% 100,00% 19,93% 100,00% 81,18% 26903,01 319,22 Tabela 1- Comparação entre os resultados e tempos de execução obtidos no algoritmo para espaço discreto o os obtidos no algoritmo de subregiões Foram testadas as instâncias com 10 pontos clientes para granularidades que variavam de 50 a 500. Na figura 3 são mostrados os resultados de tempo para essas instâncias, onde o eixo das ordenadas representa a razão entre o tempo decorrido do procedimento e o tempo utilizado pelo algoritmo de subregiões. Figura 3 Razão entre os tempos de processamento do algoritmo discreto (T discreto ) pelo algoritmo de subregiões (T subregiões ), variando a granularidade entre 50 e 500 8
9 Observa-se na figura 3 que, para clientes com distâncias limites maiores, o algoritmo discreto se mostra mais veloz (instância l2_10_001), encontrando soluções muito próximas da ótima. Isto ocorre devido ao maior número de subregiões à medida que os valores das distâncias limite crescem (cf. Fernandes et al., 2010). Vale salientar como variam os tempos obtidos para cada grupo de três instâncias. No algoritmo de subregiões os tempos variam dentro de cada grupo significativamente, seguindo o aumento dos raios, como pode ser observado na última coluna da tabela 1. Para as instâncias da figura 3, por outro lado, os tempos de processamento foram similares para cada valor de granularidade. Nos testes com granularidade de 300, por exemplo, os tempos obtidos para as instâncias com 10 pontos foram de 0,98, 1 e 1,015 segundos. Isso acontece pelo fato da complexidade do algoritmo ser a mesma para essas instâncias As eventuais diferenças entre instâncias que compartilham as mesmas quantidades de pontos de demanda e de candidatos a localidade se devem às variações dos tamanhos dos raios nas instâncias testadas não houve variação das restrições de atendimento dentro de cada grupo. Quanto aos custos das soluções obtidas, na tabela 1 e na figura 4 pode ser observado como os valores encontrados tendem a se aproximar do ótimo à medida que aumentamos a granularidade da grade construída. Isso ocorre devido ao número de células geradas, que, quando pequeno, não permite uma boa aproximação da localidade ótima do problema discreto com relação à localidade ótima do problema contínuo. Figura 4 - Razão entre os custos de processamento do algoritmo de subregiões (C subregiões ) pelos custos do algoritmo discreto (C discreto ) pelo, variando a granularidade entre 5 e 25 Além disso, os custos obtidos podem oscilar devido às divisões das células. Na figura 4, por exemplo, os testes com granularidade igual a 15 obtiveram resultados levemente superiores (cerca de 0,01%) aos obtidos com granularidades iguais a 10 e a 20. Isso acontece devido à mudança de posição dos pontos candidatos determinada por cada tamanho de granularidade. Assim, apesar das soluções encontradas tenderem a crescer com o aumento de pontos candidatos, é possível que elas piorem eventualmente, embora com menor probabilidade. Só podemos garantir melhoria quando subdividimos as células já existentes, mantendo os pontos candidatos da solução anterior, como quando aumentamos a granularidade de 10 para 20, por exemplo nesse caso, cada célula foi dividida em 4 novas, gerando 5 pontos candidatos adicionais. 9
10 5. Conclusões XXXI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO As restrições de atendimento adicionam ao trabalho de Drezner, Mehrez e Wesolowsky (1991) uma característica de limites de atendimento que pode representar, em situações reais, restrições de prestação de um serviço ou de justificativa para a instalação de uma facilidade. O trabalho buscou tratar do problema de localização de uma única facilidade com distâncias limitadas e restrições de atendimento dentro de um conjunto de pontos discretos como candidatos para a instalação. Fernandes et al. (2010) usam o modelo na localização dentro de um espaço contínuo, encontrando as soluções ótimas no plano Euclidiano. Foi proposto um algoritmo polinomial para o problema, no qual a decisão de onde localizar uma facilidade seria limitada a um número finito de potenciais localidades. O algoritmo comprovadamente encontra a solução ótima em tempo polinomial. Seus resultados em testes computacionais em comparação com os modelos para espaço contínuo se mostraram bastantes satisfatórios, obtendo soluções muito próximas dos ótimos encontrados no espaço contínuo de soluções, com um tempo de processamento cada vez menor à medida que os raios dos pontos de demanda crescem. Para instâncias com 10 pontos clientes, por exemplo, o algoritmo chegou a encontrar soluções 99,86% próximas da ótima, utilizando apenas 0,17% do tempo levado para encontrá-la no espaço contínuo. Com o aumento dos raios, numa das instâncias com 100 pontos, o tempo computacional do algoritmo para encontrar a solução ótima variou de 182,61% a 5,02% do tempo necessário para encontrá-la no espaço contínuo. Com o aumento do número de pontos candidatos, entretanto, o algoritmo mostrou uma perda da eficiência comparada ao modelo em espaço contínuo, encontrando soluções ótimas em tempos que em alguns casos equivaliam a 741,83% e 895,97% do tempo obtido nessa abordagem. O modelo computacional pode funcionar com instâncias com milhares de pontos de atendimento, sendo seu desempenho sensível a essa quantidade de pontos de demanda e às suas distâncias limites à quantidade de potenciais localidades. Do mesmo modo, as restrições de atendimento adicionadas também têm influência na eficiência do algoritmo. É importante ressaltar ainda que o mesmo independe do tipo de distância adotada na descrição da instância. Como entre os valores de entrada existe uma matriz de distâncias entre os clientes e os pontos candidatos, qualquer tipo de distância pode ser utilizada (Euclidiana, Manhattan etc.) de acordo com as características do problema. Finalmente, é importante ressaltar que o modelo apresentado nesse trabalho pode ser facilmente adaptado para casos onde os beneficiados têm pesos diferentes para atendimento ou para o caso onde se quer ter controle sobre o balanceamento de importância entre atender mais beneficiados ou percorrer menos distâncias. Referências BERESNEV, V. L. Upper Bounds for Objective Functions of Discrete Competitive Facility Location Problems. ISSN , Journal of Applied and Industrial Mathematics, Vol. 3, No. 4, pp BONAMI, P.; LEE, J. BONMIN user's manual. Technical report, IBM Corportaion. Junho, CORREA, E.S., STEINER, M.T.A., FREITAS, A.A., CARNIERI, C. A genetic algorithm for solving a capacitated p-median problem. Numerical Algorithms, 35 (2-4), pp DREZNER, Z.; MEHREZ, A.; WESOLOWSKY, G. The facility Location Problem with Limited Distances. In: Transportation Science. Volume 25, Nº 03, 1991, p Disponível em: < Acesso em 06 de dezembro de
11 FERNANDES, I. F. ; ALOISE, D. ; HANSEN, P. ; LIBERTI, L. ; ALOISE, D. J. On the facility location problem with limited distances and side constraints. Toulouse Global Optimization 2010, Toulouse. PROCEEDINGS OF THE TOULOUSE GLOBAL OPTIMIZATION WORKSHOP, 2010, p JOHNSON, M. P.; GORR. W. L.; ROEHRIG, S. Location of Service Facilities for the Elderly. Annals of Operations Research 136, , MARÍN, A. The discrete facility location problem with balanced allocation of customers. European Journal of Operational Research 210 p PELEGRÍN, B.; FERNÁNDEZ, P.; SUÁREZ, R.; GARCIA, M. D. Single facility location on a network under mill and delivered pricing. IMA Journal of Management Mathematics 17, TEITZ, M.B.; BART, P. Heuristic concentration: Two-stage solution construction, Operational Research Society. 16 (1968) WESOLOWSKY, G.O. The Weber problem: History and perspectives. Location Science 1 (1), pp
3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
Otimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
3 Decisões de Localização de Instalações
3 Decisões de Localização de Instalações Historicamente, o estudo contemporâneo dos problemas de localização foi iniciado por Alfred Weber, que estudou a localização de uma fábrica com o objetivo de minimizar
6 Experimentos realizados
6 Experimentos realizados 6.1 Considerações iniciais Resolvemos os modelos de PLIM utilizando o resolvedor CPLEX, baseado no método de branch-and-bound. Resolvemos as relaxações lineares dos mesmos modelos
HEURÍSTICA DE TEITZ E BART NA RESOLUÇÃO DE UM PROBLEMA LOGÍSTICO TEITZ AND BART'S HEURISTIC IN THE SOLUTION OF A LOGISTIC PROBLEM
HEURÍSTICA DE TEITZ E BART NA RESOLUÇÃO DE UM PROBLEMA LOGÍSTICO TEITZ AND BART'S HEURISTIC IN THE SOLUTION OF A LOGISTIC PROBLEM GASPARIN, Eduardo¹; TEIXEIRA, Levi Lopes² 1,2 UTFPR, ¹eduardogaspparin@hotmail.com,
Um algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
MÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS
MÉTODO HEURÍSTICO HÍBRIDO PARA RESOLUÇÃO DO PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES CAPACITADAS EM DOIS NÍVEIS Rômulo Louzada Rabello Universidade Federal do Espírito Santo Alegre, ES, 29500-00, Brasil
5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
1 CAPÍTULO O MÉTODO SIMULATED ANNEALING APLICADO EM LOCALIZAÇÃO E ROTEAMENTO Ferreira, Kamyla Maria 1 * ; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás
Linear para o Problema de Escalonamento de Workflows em Múltiplos Provedores de Nuvem
Discretização do Tempo na Utilização de Programação Linear para o Problema de Escalonamento de Workflows em Múltiplos Provedores de Nuvem Thiago A. L. Genez, Luiz F. Bittencourt, Edmundo R. M. Madeira
Branch-and-Bound para problemas de Otimização Combinatória
para problemas de Otimização Combinatória Rafael Antônio Marques Gomes Orientador: Haroldo Gambini Santos Departamento de Computação UFOP 26 de julho de 2011 Rafael Antônio Marques Gomes BB para problemas
Lista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + 2 y s.a x + y 2 x + y 5 x, y 0, x e y inteiros b) Max z = 2 x + y s.a x + 2y 0 x + y 25 x, y
Lista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + y s.a x + y x + y 5 b) Max z = x + y s.a x + y 0 x + y 5 c) Max z = x + y s.a x + 9y 6 8 x +
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
Pesquisa Operacional / Programação Matemática
Pesquisa Operacional / Programação Matemática Otimização discreta Modelagem com variáveis binárias: problemas clássicos Breve Comentários (aula anterior) Em geral, não faz sentido resolver a relaxação
Planejamento para fundições: uma aplicação do método das K-melhores mochilas. 1 Introdução
Planejamento para fundições: uma aplicação do método das K-melhores mochilas Murilo S. Pinheiro, Franklina M.B. Toledo, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, Av.
Técnicas para Programação Inteira e Aplicações em Problemas de Roteamento de Veículos 41
4 Resolução de IPs A teoria de programação linear foi proposta na década de 40 e logo foi observado que seria desejável a resolução de problemas que apresentavam variáveis do tipo inteiro [37]. Isto levou
Problemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Método Simplex. Marina Andretta ICMC-USP. 19 de outubro de 2016
Método Simplex Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização linear
Análise de Desempenho da Paralelização do Problema de Caixeiro Viajante
Análise de Desempenho da Paralelização do Problema de Caixeiro Viajante Gabriel Freytag Guilherme Arruda Rogério S. M. Martins Edson L. Padoin Universidade Regional do Noroeste do Estado do Rio Grande
Algoritmos Branch e Bound para o problema de sequenciamento em uma única máquina
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Algoritmos Branch e Bound para o problema de sequenciamento em uma única máquina Carlos E. Ferreira Instituto de Matemática e Estatística, IME, USP 05508-090,
4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
PCC104 - Projeto e Análise de Algoritmos
PCC104 - Projeto e Análise de Algoritmos Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 1 de novembro de 2018 Marco Antonio
UM MODELO MATEMÁTICO PARA REDES LOGÍSTICAS COM FLUXOS DIRETOS E REVERSOS E NOVOS INTEGRANTES
UM MODELO MATEMÁTICO PARA REDES LOGÍSTICAS COM FLUXOS DIRETOS E REVERSOS E NOVOS INTEGRANTES Marcos Wagner Jesus Servare Junior (UFES) marcoswjunior@gmail.com Glaydston Mattos Ribeiro (UFES) glaydston@terra.com.br
Representação de poliedros
Representação de poliedros Marina Andretta ICMC-USP 8 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 -
Otimização discreta Modelagem com variáveis binárias: problemas clássicos
Otimização discreta Modelagem com variáveis binárias: problemas clássicos Importância histórica...... e prática. Usados para modelar problemas reais e como subproblemas em problemas maiores (e mais freqüentes
Pesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho julho/2014 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Comparação de Desempenho entre o Método dos Elementos de Contorno com Integração Direta e o Método dos Elementos Finitos em problemas de Poisson
Trabalho apresentado no III CMAC - SE, Vitória-ES, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação de Desempenho entre o Método dos Elementos de Contorno
PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS POR BATELADAS: UM ESTUDO PARA A OTIMIZAÇÃO DO MAKESPAN
PROGRAMAÇÃO DA PRODUÇÃO EM SISTEMAS POR BATELADAS: UM ESTUDO PARA A OTIMIZAÇÃO DO MAKESPAN R. P. da ROCHA 1, M. de F. MORAIS 1, M. A. da S. S. RAVAGNANI 2, C. M. G. ANDRADE 2, C. M. P. R. PARAÍSO 2 1 Universidade
Algoritmos 3/17/ Algoritmos como área de estudo e investigação
Algoritmos e Complexidade Ana Teresa Freitas INESC-ID/IST ID/IST 3/17/2005 1 O que é um algoritmo? Algoritmos: Sequência de instruções necessárias para a resolução de um problema bem formulado [passíveis
ANÁLISE DE COMPLEXIDADE DOS ALGORITMOS
1/18 ANÁLISE DE COMPLEXIDADE DOS ALGORITMOS Algoritmos 2/18 Algoritmos Algoritmo - sequência de instruções necessárias para a resolução de um problema bem formulado (passíveis de implementação em computador)
Análise empírica de algoritmos de ordenação
Análise empírica de algoritmos de ordenação Mario E. Matiusso Jr. (11028407) Bacharelado em Ciências da Computação Universidade Federal do ABC (UFABC) Santo André, SP Brasil mario3001[a]ig.com.br Resumo:
Heurísticas Relax-and-Fix e Fix-and-Optimize para o problema de dimensionamento de lotes com preparações carryover e crossover
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Heurísticas Relax-and-Fix e Fix-and-Optimize para o
Programação Linear M É T O D O S : E S T A T Í S T I C A E M A T E M Á T I C A A P L I C A D A S D e 1 1 d e m a r ç o a 2 9 d e a b r i l d e
Programação Linear A otimização é o processo de encontrar a melhor solução (ou solução ótima) para um problema. Existe um conjunto particular de problemas nos quais é decisivo a aplicação de um procedimento
4 Algoritmo de reconstrução de curvas
4 Algoritmo de reconstrução de curvas Como visto na introdução, o algoritmo proposto neste trabalho é constituído pelas seguintes etapas: 1. Agrupamento espacial dos pontos de amostragem 2. Processamento
Formulações de Programação Matemática para o Problema de Seqüenciamento em uma Máquina com Janelas de Entrega Distintas e Tempo de Preparação
Anais do CNMAC v.2 ISSN 1984-820X Formulações de Programação Matemática para o Problema de Seqüenciamento em uma Máquina com Janelas de Entrega Distintas e Tempo de Preparação Dependente da Seqüência de
Pesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho agosto/2013 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
3 Metaeurísticas e Resolvedores MIP
3 Metaeurísticas e Resolvedores MIP A combinação entre metaeurísticas e resolvedores MIP é uma estratégia relativamente recente, tendo seus primeiros estudos realizados ao longo da última década. O survey
4 Algoritmo Genético com Chaves Aleatórias
4 Algoritmo Genético com Chaves Aleatórias Neste capítulo é apresentado um algoritmo genético com chaves aleatórias [9] para o problema min-rwa. A opção por esta classe de algoritmos genéticos é motivada
Experimentos e Resultados
6 Experimentos e Resultados Neste capítulo apresentamos os experimentos realizados e os resultados obtidos pelas heurísticas apresentadas. A primeira parte do capítulo aborda os experimentos e resultados
Nuno Miguel Duarte Sequeira André VARIABLE NEIGHBOURHOOD SEARCH
Nuno Miguel Duarte Sequeira André VARIABLE NEIGHBOURHOOD SEARCH Optimization and decision support techniques PDEEC 2007 Introdução A meta-heurística VNS (Variable Neighbourhood Search) é bastante recente
Marina Andretta. 02 de agosto de 2010
Introdução Marina Andretta ICMC-USP 02 de agosto de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 02 de agosto de 2010 1 / 19 Otimização Otimizar significa encontrar a melhor maneira
Otimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Revisão Método Simplex Solução básica factível: xˆ xˆ, xˆ N em que xˆ N 0 1 xˆ b 0 Solução geral
5 Análise experimental e numérica de membranas cilíndricas hiperelásticas
5 Análise experimental e numérica de membranas cilíndricas hiperelásticas 5.1. Análise experimental para aferição da formulação apresentada: Ensaio de tração e pressão interna uniforme em membranas cilíndricas
Algoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
ALGORITMOS AVANÇADOS UNIDADE I Análise de Algoritmo - Notação O. Luiz Leão
Luiz Leão luizleao@gmail.com http://www.luizleao.com Conteúdo Programático 1.1 - Algoritmo 1.2 - Estrutura de Dados 1.2.1 - Revisão de Programas em C++ envolvendo Vetores, Matrizes, Ponteiros, Registros
Uma nova taxa de convergência para o Método do Gradiente
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 2, N. 1, 2014. Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Uma nova taxa de convergência para o Método
Análise e Projeto de Algoritmos
Análise e Projeto de Algoritmos Mestrado em Ciência da Computação Prof. Dr. Aparecido Nilceu Marana Faculdade de Ciências I think the design of efficient algorithms is somehow the core of computer science.
4 Testes e experimentos realizados 4.1. Implementação e banco de dados
32 4 Testes e experimentos realizados 4.1. Implementação e banco de dados Devido à própria natureza dos sites de redes sociais, é normal que a maior parte deles possua uma grande quantidade de usuários
Volmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 21
Volmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 21 Três objetivos i. Redução de custos (custos variáveis) ii. iii. Redução de capital (investimento, custos fixos) Melhoria do serviço
Análise de Complexidade de Algoritmos. mario alexandre gazziro
Análise de Complexidade de Algoritmos mario alexandre gazziro Definição A complexidade de um algoritmo consiste na quantidade de esforço computacional necessária para sua execução. Esse esforço é expresso
1 - A capacidade de fluxo que corresponde a capacidade máxima que pode passar pelo arco.
CONCEITOS DE REDE Uma rede é formada por um conjunto de nós, um conjunto de arcos e de parâmetros associados aos arcos. Nós Arcos Fluxo Interseções Rodovias Veículos Rodoviários Aeroportos Aerovia Aviões
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD,QWURGXomR A grande maioria dos problemas de engenharia pode ser solucionado de diferentes formas, uma vez que um número muito grande de soluções atende aos critérios
Programação Linear Inteira. C. Requejo (UA) Métodos de Investigação Operacional MIO / 30
Programação Linear Inteira Programação Linear Inteira C. Requejo (UA) Métodos de Investigação Operacional MIO 2016 1 / 30 Programação Linear Inteira Programação Linear Inteira Resolução de problemas de
FORMULAÇÕES COM VARIÁVEIS CONTENDO ÍNDICE DE TEMPO PARA O PROBLEMA DO FLOW SHOP EM DUAS MÁQUINAS COM PENALIDADES POR ATRASO NAS TAREFAS
FORMULAÇÕES COM VARIÁVEIS CONTENDO ÍNDICE DE TEMPO PARA O PROBLEMA DO FLOW SHOP EM DUAS MÁQUINAS COM PENALIDADES POR ATRASO NAS TAREFAS José Mauricio Brasil Gonçalves Departamento de Engenharia de Produção
Code: Luiza Rodrigues Matos, Daisy Paes Silva, Edilaine Martins Soler. Universidade Estadual Paulista "Júlio de Mesquita Filho" (UNESP)
A Comparison Between the Efficiency of the Outer Approximation Method and the Branch-and-Bound Method to Solve the Optimal Power Flow Problem with Discrete Control Variables Code: 19.024 Luiza Rodrigues
5 Agregação das Reservas das Entidades
5 Agregação das Reservas das Entidades Neste capítulo é apresentado o procedimento de agregação das reservas das entidades. É importante ressaltar que as entidades probabilísticas sofrem agregação probabilística,
3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Aula 13: Branch-and-bound
Aula 13: Branch-and-bound Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Modelagem em PI / Problemas Combinatórios
Indoor Localization without the Pain
Indoor Localization without the Pain Chintalapudi et al. (Microsoft Research India) Henrique Stagni 1 de junho de 2012 1 / 78 Objetivo Dado um ambiente fechado, construir um sistema que obtém a localização
pontos: f(1)=2, f(2)=3, f(3)=5, f(5)=10 e f(6)=30.
EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: SEGUNDO BIMESTRE: EDGARD JAMHOUR Eemplo A: Interpolação polinomial Funções de interpolação: fa() = 2 - /2 + 2 /2 fb() = 5/2-17/12 + 2-3 /12 fc() = 23/2-1183/60 +133
MÉTODOS EXATO E HEURÍSTICO PARA O PROBLEMA DE LOCALIZAÇÃO DAS P-MEDIANAS COM DOIS OBJETIVOS
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. MÉTODOS EXATO E HEURÍSTICO PARA O PROBLEMA DE LOCALIZAÇÃO DAS P-MEDIANAS COM DOIS OBJETIVOS Paula Mariana dos Santos (UFV) paula-marianna@hotmail.com JOSE
DECISÕES SOBRE TRANSPORTES (PARTE III) Mayara Condé Rocha Murça TRA-53 Logística e Transportes
DECISÕES SOBRE TRANSPORTES (PARTE III) Mayara Condé Rocha Murça TRA-53 Logística e Transportes Agosto/2013 Problemas de roteirização e programação de veículos (RPV) Objetivo geral: Determinar rotas de
Modelagem Matemática de Problemas de Programação Linear
Capítulo 1 Modelagem Matemática de Problemas de Programação Linear 1.1. Introdução Neste Capítulo analisamos brevemente a estratégia usada para encontrar a modelagem matemática de um problema de programação
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos André Luiz Ferreira Pinto Pontifícia Universidade Católica do Rio de
Programação Linear - Parte 5
Matemática Industrial - RC/UFG Programação Linear - Parte 5 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 5 1/2016 1 / 29 Dualidade Os parâmetros de entrada são dados de acordo com
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4)
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4) Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Sistemas dinâmicos discretos no tempo O Problema
4 Algoritmos Primais 4.1
4 Algoritmos Primais 4.1 Representação da Solução Primal Uma solução primal para o PMNC deve informar o valor da função objetivo, as facilidades abertas e a facilidade aberta que atende cada cliente. Para
5 Metodologia proposta
5 Metodologia proposta Será apresentada, neste capítulo, a metodologia proposta para a resolução do problema de localização de Grupamentos Logísticos, com o objetivo final de proporcionar o melhor apoio,
Geração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita
Geração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita Geraldo R. Mauri Universidade Federal do Espírito Santo - UFES mauri@cca.ufes.br Luiz A. N. Lorena
Programação Linear. MÉTODOS QUANTITATIVOS: ESTATÍSTICA E MATEMÁTICA APLICADAS De 30 de setembro a 13 de novembro de 2011 prof. Lori Viali, Dr.
Programação Linear São problemas complexos, muitas vezes de difícil solução e que envolvem significativas reduções de custos, melhorias de tempos de processos, ou uma melhor alocação de recursos em atividades.
4 Resultados. 4.1 Análise de desempenho
4 Resultados Nesta seção, analisaremos o funcionamento do módulo cinegrafista proposto. Foram realizados dois testes para a avaliação do módulo cinegrafista. O primeiro corresponde a uma análise do custo
Optimização de um Plano de Marketing Directo para o Sector da Banca Daniel Barata
Optimização de um Plano de Marketing Directo para o Sector da Banca Daniel Barata, Fernando Bação, Victor Lobo Agenda Introdução Justificação do Tema Formulação usada Métodos de Resolução Exacto Guloso
O estudo utilizando apenas este material não é suficiente para o entendimento do conteúdo. Recomendamos a leitura das referências no final deste
O estudo utilizando apenas este material não é suficiente para o entendimento do conteúdo. Recomendamos a leitura das referências no final deste material e a resolução (por parte do aluno) de todos os
Introdução Paradigmas
Introdução Paradigmas Recursividade Algoritmos tentativa e erro Divisão e conquista Programação dinâmica Algoritmos gulosos Algoritmos aproximados 1 Introdução O projeto de algoritmos requer abordagens
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START Gustavo Marques Zeferino, Flaviana M. de S. Amorim, Marcone Jamilson Freitas Souza, Moacir F. de F. Filho
Capítulo 3. O Método Primal Simplex
Capítulo 3 O Método Primal Simplex 3.. Introdução Neste Capítulo, apresenta-se o método de resolução de problemas de programação linear mais utilizado, isto é, o método primal simplex. Assim, apresenta-se
Método do Lagrangiano aumentado
Método do Lagrangiano aumentado Marina Andretta ICMC-USP 23 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 23 de novembro de 2010 1 / 17 Problema com restrições gerais Vamos
Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
5 CAPÍTULO BUSCA EM VIZINHANÇA VARIÁVEL PARA LOCALIZAÇÃO E ROTEAMENTO Silva, Lorrany Cristina da 1 *; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional
6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Marina Andretta. 17 de setembro de Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright.
Métodos de regiões de confiança Marina Andretta ICMC-USP 17 de setembro de 2014 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear
Departamento de Engenharia de Produção UFPR 22
Departamento de Engenharia de Produção UFPR 22 Geralmente, temos três objetivos i. Redução de custos (custos variáveis) Redução de capital (investimento, custos fixos) i Melhoria do serviço (pode conflitar
Utilização de Times Assíncronos na Solução do Problema de Cobertura de Conjuntos
Utilização de Times Assíncronos na do Problema de Cobertura de Conjuntos Edison L. Bonotto 1, Marcelo Lisboa Rocha 2. 1 Programa de Pós-graduação em Informática Universidade Federal da Paraíba (UFPB) 58059-900
Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Aprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich/Alceu S. Britto Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Combinação de Classificadores Filosofia O objetivo
Degenerescência. Marina Andretta ICMC-USP. 19 de outubro de 2016
Degenerescência Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
APLICAÇÃO DA METAHEURÍSTICA LNS AO PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO-ALOCAÇÃO DE MÁXIMA COBERTURA
APLICAÇÃO DA METAHEURÍSTICA LNS AO PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO-ALOCAÇÃO DE MÁXIMA COBERTURA Ligia Corrêa de Souza Instituto Nacional de Pesquisas Espaciais - INPE Av. dos Astronautas, 1758,
Método de restrições ativas para minimização em caixas
Método de restrições ativas para minimização em caixas Marina Andretta ICMC-USP 20 de outubro de 2014 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 20 de outubro de 2014 1 / 25 Problema com
Codificação de Huffman
Codificação de Huffman Bruna Gregory Palm 11 de setembro de 2017 A codificação de Huffman é um método de compressão que considera as probabilidades de ocorrência de cada símbolo no conjunto de dados a
Algoritmos para resolução de problemas de minimização irrestrita
Algoritmos para resolução de problemas de minimização irrestrita Marina Andretta ICMC-USP 10 de agosto de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 10 de agosto de 2010 1 / 16 Algoritmos
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear Introdução à Pesquisa Operacional Origens militares Segunda guerra mundial Aplicada na alocação de
3 Metodologia para Avaliação Probabilística de Reservas
3 Metodologia para Avaliação Probabilística de Reservas Este trabalho tem o objetivo de propor uma metodologia para a avaliação probabilística de reservas de óleo e gás. Conforme exposto no capítulo introdutório,
INFORMAÇÕES GERAIS DO TRABALHO
INFORMAÇÕES GERAIS DO TRABALHO Título do Trabalho: Investigação de abordagens heurísticas para resolução de projeto de redes eixo-raio com alocação simples Autor (es): Rodrigo Ferreira de Brito; Bruno
Aprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Combinação de Classificadores Filosofia O objetivo da combinação de
a) Formule este problema em Programação Linear inteira. b) Considere os seguintes dados Matriz das distâncias (em Km) entre as comunidades
Universidade de Lisboa, Faculdade de Ciências Mestrado em Matemática Aplicada à Economia e Gestão Logística e Gestão de Operações Módulo de Logística Exercícios Localização 1. Num distrito do Centro de
ESTRUTURA DE DADOS I AULA I
ESTRUTURA DE DADOS I AULA I PROF. ME. HÉLIO ESPERIDIÃO O que é um dado? Dado pode ser definido como a matéria-prima originalmente obtida de uma ou mais fontes (etapa de coleta). o que é a informação A
Teoria da Computação. Complexidade computacional classes de problemas
Teoria da Computação Complexidade computacional classes de problemas 1 Universo de problemas Problemas indecidíveis ou não-computáveis Não admitem algoritmos Problemas intratáveis Não admitem algoritmos
LOCALIZAÇÃO DE INFRAESTRUTURAS EM AMBIENTES DE COMPETIÇÃO - ESTUDO DE CASO REAL: LOCALIZAÇÃO DE UMA CLÍNICA VETERINÁRIA
LOCALZAÇÃO DE NFRAESTRUTURAS EM AMBENTES DE COMPETÇÃO - ESTUDO DE CASO REAL: LOCALZAÇÃO DE UMA CLÍNCA VETERNÁRA Aluno: sadora Lopes Orientador: Hugo Repolho ntrodução Os modelos de localização de infraestruturas
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br