UM MÉTODO HEURÍSTICO BASEADO EM RELAXAÇÃO LAGRANGIANA PARA O PROBLEMA DE CARREGAMENTO DE PALETES DO PRODUTOR
|
|
- Júlio César Alcaide Santos
- 7 Há anos
- Visualizações:
Transcrição
1 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 de Engenhara de Produção, UFSCar São Carlos-SP (rfarago@rsa.com.br, morabto@power.ufscar.br) Resumo Neste trabalho desenvolvemos um método heurístco, baseado em relaxação Lagrangana e surrogate, para resolver o problema de carregamento de paletes do produtor. Tal problema consste em arranjar o máxmo número de caxas por camada sobre o palete, otmzando, assm, o aprovetamento da superfíce do palete. Aplcamos um método de redução do problema e uma heurístca Lagrangana no procedmento de otmzação do subgradente. Comparamos as soluções encontradas com soluções produzdas por outros métodos da lteratura e com soluções utlzadas em stuações prátcas. Para sso, utlzamos dados obtdos na lteratura e dados reas fornecdos por uma transportadora. Palavras-chave: problema do carregamento de paletes do produtor, otmzação do subgradente, heurístca Lagrangana, relaxação Lagrangana e surrogate. Abstract In ths study we develop a heurstc method, based on Lagrangean and surrogate relaxaton, to solve the manufacturer s pallet loadng problem. Such a problem conssts n arrangng the maxmum number of boxes by layer on the pallet, thus optmzng the utlzaton of the pallet s surface. We appled a method of reducton of the problem and a Lagrangean heurstc n a subgradent optmzaton procedure. We compare the solutons that were found wth the solutons produced by other methods of the lterature and solutons utlzed n practce. For ths, we utlze data obtaned from the lterature as well as actual data provded by a local carrer. Keywords: manufacturer s pallet loadng problem, subgradent optmzaton, Lagrangean heurstc, Lagrangean and surrogate relaxaton. ISSN
2 98 Farago & Morabto Um método heurístco baseado em relaxação Lagrangana. Introdução Neste trabalho estudamos um caso partcular dos problemas de corte e empacotamento, denomnado problema de carregamento de paletes do produtor (PCP do produtor). Este problema é classfcado como /B/O/C (bdmensonal, seleção de tens, únco objeto, tens guas), de acordo com a tpologa de Dyckhoff (990). Bascamente, o PCP do produtor consste em arranjar sem sobreposção, o máxmo número de retângulos de dmensões (l,w) ou (w,l) (faces nferores das caxas), sobre um retângulo maor (L,W) (superfíce do palete). Admte-se que as caxas estão dsponíves em grandes quantdades e devem ser arranjadas ortogonalmente, sto é, com seus lados paralelos aos lados do palete. Estes arranjos de caxas formam camadas que são então emplhadas sobre o palete. Devdo à escala e extensão de certos sstemas logístcos, um pequeno aumento do número de produtos carregados sobre cada palete pode resultar em economas substancas. Nossa motvação para estudá-lo é que, além de ser um problema de dfícl solução exata (o problema parece ser NP-completo, embora sso anda não tenha sdo provado, conforme Nelssen, 995), o PCP do produtor é mportante nas atvdades logístcas de armazenagem e transporte de produtos embalados em caxas e carregados sobre paletes e camnhões (Morabto et al, 000). Devdo à dfculdade de solução desse problema, poucos autores têm proposto métodos de solução exatos, como Dowsland (987), Tsa et al (993), e Bhattacharya et al (998). Outros propuseram métodos heurístcos, tas como Steudel (979), Smth e De Can (980), Bschoff & Dowsland (98), Nelssen (994, 995), Arenales & Morabto (995), Schethauer & Terno (996) e Morabto & Morales (998). No presente trabalho, modelamos o PCP do produtor conforme um programa ntero 0-. O modelo pode ser vsto como um caso partcular do modelo proposto em Beasley (985) para o problema mas geral da classe /B/O/M (bdmensonal, seleção de tens, únco objeto, város tens dferentes). Desenvolvemos um método heurístco baseado na aplcação de técncas de relaxação Lagrangana e surrogate, e do procedmento de otmzação do subgradente. Exploramos duas varações do método: () o caso utlzando apenas relaxação Lagrangana, e () o caso combnando relaxação Lagrangana e relaxação surrogate, smlarmente ao que fo feto em Beasley (985) para o problema mas geral de corte bdmensonal não-gulhotnado. Em ambos os casos são aplcados um método de redução do problema e uma heurístca Lagrangana. As soluções encontradas são comparadas com soluções produzdas por outros métodos da lteratura e soluções utlzadas em stuações reas. Para sso, utlzamos dados obtdos na lteratura e dados fornecdos por uma transportadora do nteror de São Paulo. Convém salentar que no artgo de Beasley (985) fo explorado o uso de relaxação Lagrangana combnada com relaxação surrogate (caso ()), ou seja, não fo explorado o uso de relaxação Lagrangana dretamente nas restrções orgnas do problema (caso ()). Além dsso, o trabalho de Beasley (985) tratou um problema mas geral do que o PCP do produtor. Uma questão que nos motvou para o presente trabalho é como se comportam estas duas abordagens (casos () e ()) ao serem aplcadas num problema bem mas partcular, como é o caso do PCP do produtor.. Modelagem do PCP do Produtor Um palete (L,W), de comprmento L e largura W, deve ser carregado com caxas guas com faces nferores de dmensões l e w. Admtmos que L, W, l e w são números nteros, e que
3 Vol. 0, No., p. 97-, dezembro de 000 Pesqusa Operaconal 99 l w e l mn{l,w}. Por smplcdade, defnmos (l,w ) = (l,w) e (l,w ) = (w,l), assm, (l,w ), =,, correspondem ao comprmento e largura da face de uma caxa com orentação. O problema consste em encontrar um arranjo de caxas em camadas horzontas (padrão de carregamento bdmensonal; veja fgura 3), tal que a utlzação da superfíce do palete seja a máxma possível. Sejam P e Q o mínmo e o máxmo número de caxas por camada, respectvamente, que podem ser colocadas sobre o palete (0 P Q). Adotamos um sstema de coordenadas cartesanas com orgem no canto nferor esquerdo do palete. Sabemos que as caxas podem ser colocadas em váras posções ao longo do comprmento L e largura W do palete. Sejam: X = {p 0 p L-w, ntero} e Y = {q 0 q W-w, ntero}, os conjuntos das coordenadas (p,q), respectvamente, para se colocar o canto nferor esquerdo da face (l,w) de uma caxa dentro do palete. Sem perda de generaldade (Beasley, 985), podemos restrngr os conjuntos X e Y para: X = { p p = Y = { q q = = = l b, w b, 0 p L w, 0 q W w, b 0 e ntero, =,} b 0 e ntero, =,} Defnmos a função a que é útl para descrever restrções de sobreposção de caxas sobre o palete, e que pode ser computada com antecedênca para cada posção (p,q), cada posção (r,s), e cada orentação, com p X tal que p L-l, q Y tal que q W-w, r X, s Y, e =, (Beasley, 985) (Fgura.): a pqrs, se 0 p r p + l L e 0 q s q + w W = 0, caso contráro Fnalmente, para todo p X tal que p L-l, q Y tal que q W-w, e =,, defnmos a varável de decsão x pq : x pq, se uma caxa é colocada na posção ( p, q) do palete, com orentação = 0, caso contráro W Paleta A s q Peça l w p r L Fgura Posção (r,s) não permtda em função da colocação de uma face na posção (p,q) com orentação
4 00 Farago & Morabto Um método heurístco baseado em relaxação Lagrangana O PCP do produtor pode então ser formulado pelo segunte programa lnear 0- (Beasley, 985): max = { p X p L l } { q Y q W w} pq s.a. = { p X p L l } { q Y q W w} pqrs = x () a x, para todo r X, s Y () pq P x Q (3) { p X p L l } { q Y q W w} pq com x pq {0,}, =,, p X tal que p L-l ; q Y tal que q W-w (4) Note que a restrção () garante que cada par (r,s) seja ocupado por no máxmo uma caxa e, desta manera, evta sobreposção no arranjo de caxas (fgura ). A restrção (3) garante que o número de caxas arranjadas esteja dentro do ntervalo [P,Q] (em geral temos P = 0). O problema ()-(4) envolve O( X Y ) varáves e restrções, o que o torna em geral dfícl de ser resolvdo otmamente nos casos prátcos. 3. Aplcação de Relaxação Lagrangana 3. Relaxação Lagrangana Sem Relaxação Surrogate Introduzndo os multplcadores de Lagrange g rs ( 0) para todo r X e todo s Y da expressão (), obtemos o segunte programa Lagrangano do lmtante superor (note que temos X Y multplcadores): max pq xpq + = { p X p L l} { q Y q W w} = V g (5) r X s Y P x Q (6) { p X p L l } { q Y q W w} pq com x pq {0,}, =,, p X tal que p L-l ; q Y tal que q W-w (7) onde V = g a. Sejam {X pq } representando os valores das varáves {x pq } na pq r X s Y rs pqrs solução do programa Lagrangano (5)-(7), com valor dado por: Z UB = Vpq X pq + = { p X p L l} { q Y q W w} r Xs Y que corresponde a um lmtante superor para o valor ótmo do problema orgnal ()-(4), para quasquer {g rs } não negatvos. Note que, dados {g rs }, o programa (5)-(7) pode ser faclmente resolvdo, uma vez que se decompõe em dos problemas ndependentes (um para cada tpo de orentação de caxa), e que cada subproblema pode ser faclmente resolvdo por nspeção. Seja n o número de varáves x pq com valores V pq estrtamente postvos: g rs rs
5 Vol. 0, No., p. 97-, dezembro de 000 Pesqusa Operaconal 0 Se n Q, então escolha as Q varáves com maores valores V pq, e fxe-as em. Se P n < Q, então escolha as n varáves com maores valores V pq, e fxe-as em. Se n < P, então escolha as P varáves com maores valores V pq, e fxe-as em. As demas varáves são fxadas em 0. Note que o programa Lagrangano (5)-(7) possu a propredade de ntegraldade, uma vez que, dados {g rs }, sua solução não se altera ao trocarmos a restrção de ntegraldade: x pq {0,}, por sua relaxação lnear: 0 x pq. Isto mplca que o melhor lmtante superor produzdo pelo programa Lagrangano (5)-(7) para o problema ()-(4) não é melhor do que o lmtante superor obtdo pela relaxação de programação lnear do problema ()-(4). 3. Relaxação Lagrangana Com Relaxação Surrogate Beasley (985) sugeru utlzar as duas restrções surrogate (8) e (9) apresentadas abaxo, obtdas pela soma de todos os comprmentos possíves r X, e todas as larguras possíves s Y, da restrção (). r X ( apqrsxpq ) X s Y = { p X / p L l { q Y / q W w ( apqrsxpq ) Y = { p X / p L l { q Y / q W w, para todo s Y (8), para todo r X (9) Substtundo no problema ()-(4) a restrção () pelas restrções (8) e (9), e ntroduzndo os multplcadores de Lagrange g s ( 0) para todo s Y em (8), e h r ( 0) para todo r X em (9), obtemos o segunte programa Lagrangano do lmtante superor (com relaxação surrogate). Note agora que temos apenas X + Y multplcadores, ao nvés de X Y multplcadores, como no programa (5)-(7). max pq xpq + g s X + = { p X p L l } { q Y q W w } = V h Y (0) s Y x { p X p L l } { q Y q W w } pq Q r r X P () com x pq {0,}, =,, p X tal que p L-l ; q Y tal que q W-w () onde V = ( g + h ) a. Sejam { X pq } representando os valores das varáves pq r X s Y s r pqrs {x pq } na solução do programa Lagrangano (0)-(), com valor dado por: Z UB = Vpq X pq + gs X + r = { p X p L l} { q Y q W w} s Y r X h Y que corresponde a um lmtante superor para o valor ótmo do problema orgnal ()-(4), para quasquer {g s } e {h r } não negatvos. Note, entretanto, que este lmtante não é melhor do que o lmtante produzdo pelo programa (5)-(7), uma vez que derva de um programa Lagrangano construído a partr de restrções surrogate. Por outro lado, é mas fácl de ser
6 0 Farago & Morabto Um método heurístco baseado em relaxação Lagrangana computado, como é vsto na seção 4, dado que envolve um menor número de multplcadores de Lagrange. Na seção 6 comparamos a qualdade dos dos lmtantes e o esforço computaconal para obtê-los, a partr da solução de dversos exemplos. Assm como no programa (5)-(7), dados {g s } e {h r }, o programa (0)-() também pode ser faclmente resolvdo por nspeção, uma vez que se decompõe em dos problemas ndependentes (um para cada tpo de orentação de caxa). O mesmo procedmento anterormente descrto para resolver o programa (5)-(7) também pode ser aqu aplcado. 4. Método de Otmzação do Subgradente 4. Relaxação Lagrangana sem Relaxação Surrogate Para resolver o programa dual Lagrangano: mn g rs 0 {programa Lagrangano (5)-(7)}, utlzamos o método de otmzação do subgradente, que está descrto a segur. Para maores detalhes do método, o letor pode consultar, por exemplo, Camern et al (975), Crowder (976) e Beasley (985, 993). Passo : Gere uma solução factível, por exemplo, a solução homogênea com todas as caxas arranjadas sob a mesma orentação. Faça Z LB gual ao valor desta solução homogênea. Seja ITMAX o máxmo número de terações e faça t = 0. Fxe g rs = 0 para todo s Y, e todo r X, como valores ncas para os multplcadores. Passo : Resolva o programa Lagrangano (5)-(7) com o conjunto de multplcadores atual, obtendo a solução {X pq } e valor Z UB. Faça t = t +. Passo 3: Teste de factbldade: se a solução Lagrangana é factível para o problema orgnal ()-(4), então atualze Z LB, o lmtante nferor para o problema, correspondendo a uma solução factível. Atualze o menor lmtante superor Z mn com Z UB. Passo 4: Teste de otmaldade: pare se Z mn = Z LB ; caso contráro, vá para o Passo 5. Passo 5: Calcule os subgradentes: ( G = + a X ), rs r X s Y = { p X p L l q Y q W w pqrs } { } pq para todo par (r,s) (X,Y) Passo 6: Defna o tamanho do passo t por: os multplcadores de Lagrange por: f ( Z Z UB LB t = r X G s Y rs g rs = max (0, g rs + tg rs ), para todo par (r,s) (X,Y) ), onde 0 < f, e atualze Passo 7: Se t = ITMAX, pare; caso contráro, vá para o Passo. Exstem váras maneras de se varar o parâmetro f ao longo das terações, para acelerar a convergênca do método. As alternatvas exploradas neste trabalho estão dscutdas na seção 6. Note que, se em alguma teração obtvermos Z mn = Z LB no passo 4, então o procedmento acma termna com a solução ótma do problema orgnal ()-(4).
7 Vol. 0, No., p. 97-, dezembro de 000 Pesqusa Operaconal Relaxação Lagrangana com Relaxação Surrogate O método de otmzação do subgradente para resolver o programa dual Lagrangano (com relaxação surrogate): mn g s 0, hr 0 {programa Lagrangano (0)-()}, é muto smlar ao da seção 4., com pequenas modfcações nos passos, 5 e 6, conforme a segur: Passo : Gere uma solução factível, por exemplo, a solução homogênea com todas as caxas arranjadas sob a mesma orentação. Faça Z LB gual ao valor desta solução homogênea. Seja ITMAX o máxmo número de terações e faça t = 0. Fxe g s = 0 para todo s Y, e h r = 0 para todo r X, como valores ncas para os multplcadores. Passo 5: Calcule os subgradentes: G = X + H s r = Y + ( r X = p X / p L l } ( { { q Y / q W w pqrs } s Y = { p X / p L l q Y q W w pqrs } { / } a a X X pq pq ), ), para todo para todo s Y r X. Passo 6: Defna o tamanho do passo t por: atualze os multplcadores de Lagrange por: g s = max (0, g s + tg s ) para todo s Y hr = max (0, h r + th r ) para todo r X f ( Z Z UB LB t = G + s Y s H r X r ), onde 0 < f, e 5. Redução do Problema e Heurístca Lagrangana Durante cada teração do método de otmzação do subgradente, podemos aplcar alguma heurístca Lagrangana para gerar soluções factíves para o problema orgnal ()-(4), a partr da solução obtda para o programa Lagrangano do passo (modelo (5)-(7) ou (0)- ()). Também podemos aplcar alguma técnca de redução do problema para tentar fxar, sem perda de generaldade, alguma varável em 0 ou, e, desta manera, reduzr o tamanho do problema ()-(4). Convém salentar que, tanto a defnção da heurístca Lagrangana como a redução do problema, pode ser aplcada nos métodos de otmzação do subgradente com e sem relaxação surrogate. 5. Redução do Problema Em cada teração, seja n o número de varáves com valor na solução do programa Lagrangano do passo. Fxando x pq = 0: O segunte lmtante superor pode ser obtdo quando fxamos x pq em (com X pq = 0): ZUB + Vpq mnr X, s Y, X = V n = Q rs { rs}, se Z' UB = (3) ZUB + Vpq mnr X, s Y, X = {0, Vrs} se n Q rs Note em (3) que V pq é o valor do coefcente da varável x pq fora da solução corrente do programa Lagrangano, e {V rs } é o conjunto dos valores dos coefcentes das n varáves que estão fazendo parte da solução corrente (.e., X rs = ).
8 04 Farago & Morabto Um método heurístco baseado em relaxação Lagrangana Se n = Q, então, ao colocarmos a varável x pq na solução (.e., ao fxarmos x pq = ), precsamos retrar da solução atual a varável x rs (com X rs = ) com mínmo valor V rs, para não ultrapassarmos a quantdade máxma de caxas Q. Se n Q, então dvdmos este caso em dos sub-casos: () Se P < n < Q, então, ao colocarmos a varável x pq na solução, não precsamos retrar da solução atual nenhuma varável x rs (com valor X rs = ) de valor V rs postvo, já que não ultrapassamos a quantdade máxma de caxas Q (.e., n+ Q). Note que, neste caso, não podemos ter varáves x rs com V rs negatvo, dado que n > P. () Se P = n < Q, então, ao colocarmos a varável x pq na solução, não precsamos retrar da solução atual nenhuma varável x rs (com valor X rs = ) de valor V rs postvo (pelo mesmo motvo anteror), ou precsamos retrar a varável x rs com menor valor, caso esta tenha V rs negatvo. Note que, neste caso, podemos ter varáves x rs com V rs negatvo, dado que n = P. Se o valor do lmtante superor em (3) for menor que o valor do lmtante nferor, sto é, se Z' UB < Z LB, então podemos fxar x pq em 0, ou seja, reduzr o problema orgnal ao desconsderar a possbldade de colocar uma caxa na posção (p,q) sob orentação. Fxando x pq = : O segunte lmtante superor pode ser obtdo quando fxamos x pq em 0 (com X pq = ): ZUB Vpq + maxr X, s Y, X = V n = P rs 0{ rs}, se Z' UB = (4) ZUB Vpq + maxr X, s Y, X = {0, Vrs} se n P rs 0 O letor pode verfcar que o racocíno aqu é análogo ao do caso anteror. Se o valor do lmtante superor em (4) for menor que o valor do lmtante nferor, sto é, se Z' UB < Z LB, então podemos fxar x pq em, ou seja, reduzr o problema orgnal ao desconsderar a possbldade de não colocar uma caxa na posção (p,q) sob orentação. 5. Heurístca Lagrangana A déa básca da heurístca Lagrangana é, partndo da solução do programa Lagrangano da teração corrente, convertê-la numa solução factível para o problema orgnal ()-(4). Esta solução consttu um lmtante nferor para a solução ótma deste problema. Passo : Coloque todas as varáves fxadas em pela redução do problema na solução heurístca, e retre seus valores correspondentes da lsta dos {V pq }. Ordene os {V pq } restantes de forma decrescente, e forme uma lsta F com as varáves x pq correspondentes aos V pq. Passo : Pare se a lsta F estver vaza, caso contráro, coloque na solução heurístca a prmera varável da lsta F, e retre-a dessa lsta. Passo 3: Teste a factbldade da solução heurístca em questão. Se for factível, mantenha a varável correspondente na solução; caso contráro, desconsdere-a e volte para o passo. Ao termnarmos este procedmento, podemos estar com uma solução factível melhor que a da teração anteror. Neste caso, atualzamos esse lmtante nferor Z LB. A otmaldade desta solução é testada no decorrer do método de otmzação do subgradente. Para maores detalhes da redução do problema e da heurístca Lagrangana, o letor pode consultar Farago (999).
9 Vol. 0, No., p. 97-, dezembro de 000 Pesqusa Operaconal Resultados Computaconas Dos programas computaconas foram desenvolvdos para resolver o PCP do produtor, o prmero combnando relaxação Lagrangana e surrogate (seções 3. e 4.), smlarmente ao que fo explorado em Beasley (985) para o problema mas geral de corte bdmensonal nãogulhotnado, aqu denomnado programa LAGSUR, e o segundo baseado apenas em relaxação Lagrangana (seções 3. e 4.), aqu denomnado programa LAG. Ambos os programas LAGSUR e LAG utlzaram as técncas de redução do problema (seção 5.) e a heurístca Lagrangana (seção 5.). Eles foram mplementados na lnguagem Pascal (complador Delph 4), e executados em um mcrocomputador Pentum II (300 Mhz, 8 Mbytes de RAM, Wndows 95). As tabelas e apresentam, respectvamente, os exemplos da lteratura L-L0, que vem sendo utlzados por dversos autores na lteratura (Morabto & Morales, 998), e os exemplos reas R-R30, coletados no centro de dstrbução de uma transportadora do nteror de São Paulo. A transportadora utlzava o Palete Brasl (PBR), com dmensões (L,W) = (0,00) cm. As colunas ( X + Y ) e ( X Y ) das tabelas e apresentam o número (aproxmado) de varáves envolvdas nos modelos (0)-() e (5)-(7), respectvamente. Tabela Exemplos L-L0 da lteratura Exemplo (L,W) (L,W) X Y ( X + Y ) ( X Y ) L X 6 5 x L 86 X 8 5 x L3 43 X 6 7 x L4 87 X 47 7 x L5 4 X 39 9 x L6 4 X 8 x L7 40 X 5 7 x L8 5 X 33 9 x L9 57 X 44 x L0 56 X 5 x Tabela Exemplos reas R-R30 da transportadora Exemplo (l,w) (l,w) X Y ( X + Y ) ( X Y ) Exemplo (cm) (cm) X Y ( X + Y ) ( X Y ) R 3 x R6 35 x R 50 x R7 7 x R3 33 x R8 x R4 34 x R9 4 x R5 36 x R0 3 x R6 8 x R 6 x R7 3 x R 9 x R8 38 x R3 44 x R9 5 x R4 5 x R0 46 x R5 36 x R 39 x R6 35 x R 38 x R7 0 x R3 49 x R8 x R4 8 x R9 37 x R5 40 x R30 4 x
10 06 Farago & Morabto Um método heurístco baseado em relaxação Lagrangana O procedmento de otmzação do subgradente fo ncado sempre com o parâmetro f = (veja passo 6 na seção 4), conforme Beasley (985, 993). Quatro varações foram exploradas para reduzr o valor de f ao longo das terações: () dvdr f a cada 30 terações (Beasley, 993), () dvdr f a cada 60 terações, () apenas no programa LAGSUR, fxar f = para ( X + Y ) terações e, em seguda, dvdr ambos f e o número de terações a cada ( X + Y ) terações, até que o número de terações atngsse o valor 5. A partr daí, dvdr f a cada 5 terações (Beasley, 985), (v) apenas no programa LAG, fxar f = para ( X Y ) terações e, em seguda, dvdr ambos f e o número de terações a cada ( X Y ) terações, até que o número de terações atngsse o valor 5. A partr daí, dvdr f a cada 5 terações. Em todas as varações ()-(v), reduzmos f até os valores 0,005 (Beasley, 985, 993) e 0,0005 serem atngdos (note que, neste últmo, permtmos um maor número máxmo de terações, ITMAX). Ambos os programas LAGSUR e LAG obtveram os melhores resultados utlzando a varação (), sto é, dvdndo f a cada 60 terações desde até 0,0005 (.e., com ITMAX = 70 terações), tanto para os exemplos da lteratura como para os exemplos reas. Estes resultados estão apresentados nas tabelas 3 e 4. Por motvo de lmtação de espaço, os demas resultados utlzando as varações (), () e (v) não foram aqu ncluídos, mas podem ser encontrados em Farago (999). A tabela 3 também apresenta as soluções obtdas pela heurístca de Morabto & Morales (998), e a tabela 4, as soluções utlzadas na prátca pela transportadora. Tabela 3 Resultados computaconas dos programas LAGSUR e LAG para exemplos da lteratura, com f sendo dvddo a cada 60 terações desde até 0,0005 Solução ótma Solução Morabto & Morales (998) Solução LAGSUR Solução LAG Exemplo Tempo Dferença Tempo Dferença (seg.) (seg.) Z* Z MM Z mn Z LB Z* - Z LB Z mn Z LB Z* - Z LB L ,95 3 3,79 L , ,4 L , ,84 L , ,99 7 L , ,63 L , ,49 L , ,6 L , ,84 L , ,73 L , ,6 Méda 49 48, ,80 75,58 3, ,90
11 Vol. 0, No., p. 97-, dezembro de 000 Pesqusa Operaconal 07 Tabela 4 Resultados computaconas dos programas LAGSUR e LAG para exemplos reas, com f sendo dvddo a cada 60 terações desde até 0,0005 Exemplo Solução Solução Solução ótma Transport. LAGSUR Tempo (seg.) Z* Z TA Z mn Z LB Solução Df Df LAG Tempo (seg.) Z* - Z LB Z LB - Z TA Z mn Z LB Df Df Z* - Z LB Z LB - Z TA R , ,87 0 R 0 0,00 0 0,00 0 R , ,00 0 R4 3 5, , R , , R , ,64 0 R ,65 0 9,48 R , ,8 0 0 R , , R , ,00 0 R 0, , R , , R3 0, , R ,04-3 3, R , , R , ,97 0 R , ,36 0 R8 # , ,4 - - R , ,5 0 0 R , , R 0 3 5,33 0 3,4 0 R , ,09 0 R , , 0 0 R , , R , ,66 0 R , ,43 0 R , ,60 0 R , ,8 0 4 R , ,9 0 0 R , ,49 0 Méda # 9,3 0,73 9,80 0,68-0,67 0,0 0,00 8,45-0,87 # solução ótma desconhecda Note nas tabelas 3 e 4 que ambos os programas LAGSUR e LAG produzram excelentes lmtantes superores para o PCP do produtor. Em todos os exemplos da lteratura L-L0, obtvemos Z mn = Z* com ambos os programas LAGSUR e LAG. Esta condção também fo satsfeta em quase todos os exemplos reas R-R30 (exceto nos exemplos R6 e R) com o programa LAG. Além dsso, os programas LAGSUR e LAG produzram soluções em geral muto boas para os exemplos reas, mas tveram dfculdades para resolver os (dfíces) exemplos da lteratura (veja p.e. o exemplo L4). O programa LAG superou os carregamentos reas da transportadora em mas de 50% dos exemplos (em méda, foram arranjados 0,87 caxas a mas por camada), por outro lado, não superou o método de Morabto & Morales (998) em nenhum dos exemplos da lteratura.
12 08 Farago & Morabto Um método heurístco baseado em relaxação Lagrangana O desempenho médo do programa LAG fo superor ao do programa LAGSUR, por exemplo, o programa LAG encontrou solução ótma em 90% dos exemplos reas, contra apenas 80% do programa LAGSUR, utlzando tempos computaconas próxmos (.e., em méda 8,45 seg contra 0,68 seg). Apenas para lustrar, a fgura mostra a convergênca dos lmtantes superores (Z UB e Z mn ) e nferores (Z LB ) para o exemplo R da tabela 4, utlzando o programa LAG, e a fgura 3 apresenta o correspondente padrão ótmo de carregamento obtdo. Outros resultados podem ser encontrados em Farago (999). Gráfco da varação dos lmtantes Valores dos lmtantes Valor de Zub Valor de Zlb Valor de Zmn Nº de terações Fgura Varação dos lmtantes Z LB, Z UB e Z mn para o exemplo R da tabela 4, utlzando o programa LAG Fgura 3 Padrão de carregamento ótmo para o exemplo R da tabela 4. Também fzemos alguns testes quanto a aplcação ou não do método de redução do problema proposto na seção 5.. Por smplcdade, utlzamos somente o programa LAG com f sendo dvddo a cada 60 terações, desde até 0,0005 (o que resulta em no máxmo 70 terações). As tabelas 5 e 6 apresentam as soluções obtdas sem a aplcação do método de redução do problema, utlzando os exemplos L-L0 e R-R30, respectvamente.
13 Vol. 0, No., p. 97-, dezembro de 000 Pesqusa Operaconal 09 Tabela 5 Resultados computaconas do programa LAG para exemplos da lteratura, sem a utlzação da redução do problema. Exemplo Solução Solução Morabto & Solução LAG Dferença ótma Morales (998) Tempo (seg.) Z* Z MM Z mn Z LB Z* - Z LB L ,73 L ,47 L ,74 L ,98 7 L ,46 L ,39 L ,9 L ,6 L ,73 L ,40 Méda 49 48, ,8 Tabela 6 Resultados computaconas do programa LAG para exemplos reas, sem a utlzação da redução do problema Exemplo Solução Solução Solução LAG Df Df ótma Transport. Tempo (seg.) Z* Z TA Z mn Z LB Z* - Z LB Z LB - Z TA R ,87 0 R 0 0,00 0 R ,06 0 R4,0 0 0 R , R ,4 0 R ,36 R ,8 0 0 R , 0 4 R , 0 R 0, R , R3 0, R ,8 0 0 R , R ,80 0 R ,3 0 R8 # , R , R , 0 0 R 0,96 0 R ,9 0 R , R , R ,60 0 R ,3 0 R ,38 0 R , R , R ,38 0 Méda # 9,3 0,0 0,00 8,44-0,87
14 0 Farago & Morabto Um método heurístco baseado em relaxação Lagrangana Comparando as tabelas 5 e 6 com as tabelas 3 e 4, respectvamente, notamos que os tempos computaconas para o programa LAG sem redução do problema foram maores ou guas aos tempos computaconas do programa LAG com redução (p.e., em méda de 79,8 seg para 7,90 seg nos exemplos da lteratura), para as mesmas soluções encontradas. Isso nos faz conclur que é nteressante utlzar o método de redução do problema em cada teração do subgradente, apesar da economa no esforço computaconal não ser substancal. Um outro aspecto a ser nvestgado no método de redução do problema é saber qual dos casos de fxação (fxar x pq = 0 ou x pq = ) é mas efetvo. Para as mesmas soluções, os tempos computaconas do programa LAG sem redução do problema foram muto próxmos dos tempos computaconas do programa LAG somente para o caso de fxar x pq = 0 (sem o caso de fxar x pq = ) (.e., em méda 79.8 seg para seg nos exemplos da lteratura, e 8,44 seg para 8,44 seg nos exemplos reas). Podemos conclur que o método de redução do problema para o PCP do produtor fxa um maor número de varáves em 0 do que em. 7. Conclusões e Perspectvas 7. Conclusões Os modelos estudados neste trabalho, baseados em relaxação Lagrangana com e sem relaxação surrogate (programas LAGSUR e LAG, respectvamente), produzram excelentes lmtantes superores para o PCP do produtor. Como vsto na seção anteror, todos os lmtantes superores encontrados pelos programas LAGSUR e LAG para os (dfíces) exemplos da lteratura têm o mesmo valor das soluções ótmas, ou seja, satsfazem Z mn = Z*. Isso também fo verfcado em quase todos os exemplos reas com o programa LAG. A qualdade destes lmtantes para o PCP do produtor fo um resultado de certa forma surpreendente e bem vndo; convém salentar que sso não ocorreu para o problema mas geral de corte bdmensonal não gulhotnado analsado em Beasley (985). Já os lmtantes nferores (soluções factíves) produzdos pelos programas LAGSUR e LAG para o PCP do produtor, apesar de muto bons para os exemplos reas, não foram tão bons para os exemplos da lteratura. Pretendemos anda realzar pesqusas adconas para tentar melhorar a qualdade destes lmtantes nferores, eventualmente combnando LAGSUR/LAG com outros métodos. Nossa recomendação com base nos resultados da seção anteror é dvdr f a cada 60 terações e dexá-lo varar desde até 0,0005. Também recomendamos utlzar o método de redução do problema nos programas LAGSUR e LAG, dado que o esforço computaconal de tentar fxar varáves ao longo das terações é compensatóro, conforme mostram os resultados da seção anteror e em Farago (999). A heurístca Lagrangana, utlzada para melhorar o lmtante nferor Z LB no método de otmzação do subgradente, funconou melhor no programa LAG. O programa LAG melhorou as soluções factíves e encontrou soluções ótmas com mas freqüênca do que o programa LAGSUR, prncpalmente nos exemplos reas. Por exemplo, utlzando os mesmos parâmetros e tempos computaconas muto próxmos, o programa LAG encontrou 90% das soluções ótmas dos exemplos reas, enquanto que o programa LAGSUR encontrou 80% delas. Além dsso, o programa LAG superou os carregamentos reas da transportadora em mas de 50% dos exemplos. 7. Perspectvas Como perspectvas para pesqusa futura, podemos utlzar, conforme Crowder (976) e Camern, Fratta & Maffol (975), algumas técncas para melhorar o desempenho do
15 Vol. 0, No., p. 97-, dezembro de 000 Pesqusa Operaconal método da otmzação do subgradente. Bascamente, estas técncas seleconam a dreção do passo do gradente, fazendo somas ponderadas dos gradentes anterores, mas valorzando mas os gradentes mas recentes. Com sso, além de podermos obter melhores soluções, poderá haver uma dmnução nas varações dos multplcadores de Lagrange, e o lmtante superor poderá convergr mas rapdamente. Acredtamos que anda seja necessáro realzar pesqusa adconal na calbragem dos parâmetros usados no procedmento de otmzação do subgradente, prncpalmente com respeto a varação de f ao longo das terações. Tvemos um caso (exemplo R6) em que o valor do lmtante superor Z mn (passo 3) encontrado pela relaxação Lagrangana não atngu o valor do lmtante superor encontrado pela relaxação de programação lnear do problema ()-(4), quando, teorcamente, devera ter atngdo (dado que o programa Lagrangano (5)-(7) tem a propredade de ntegraldade, conforme dscussão na seção 3). Poderíamos então utlzar a solução da relaxação lnear para calbrar os parâmetros do programa LAG. Uma das dfculdades deste estudo é o tamanho dos programas lneares envolvdos, tpcamente com ordem de mlhares de restrções e varáves. Por exemplo, o problema ()-(4) para o exemplo L4 tem cerca de 67 x 7 = 809 restrções de sobreposção. Algumas lnguagens de modelagem poderam ser utlzadas para sso, como por exemplo o GAMS e o LINGO, com os solvers CPLEX, MINOS, OSL, LINDO, etc. Outra perspectva para pesqusa futura é nclur os algortmos LAGSUR e LAG aqu estudados num procedmento exato do tpo branch-and-bound, smlarmente ao que fo feto em Beasley (985) para o problema mas geral de corte bdmensonal não gulhotnado. Além dos excelentes lmtantes superores gerados por estes algortmos, também poderíamos reduzr o espaço de busca do método branch-and-bound por meo dos lmtantes nferores gerados pela heurístca Lagrangana. Poderíamos também combnar os algortmos LAGSUR e LAG com a heurístca de Morabto & Morales (998), onde utlzaríamos esta últma heurístca para encontrar o lmtante nferor (Z LB ) ncal dos algortmos. Ou, nversamente, poderíamos utlzar os lmtantes Z mn e Z LB dos algortmos, como lmtantes ncas para a heurístca de Morabto & Morales (998). O resultado podera ser uma poderosa heurístca híbrda para o PCP do produtor. Agradecmentos Os autores agradecem aos três revsores anônmos pelos útes comentáros e sugestões. Esta pesqusa contou com apoo da FAPESP (processos 995/95-0, 997/3930-, 997/94-9) e CNPq (processo 5973/95-7, 68008/95-6). Agradecemos também ao eng. José Pedrett Junor da Transportadora Amercana pela colaboração na coleta de dados. Referêncas Bblográfcas () Arenales, M. & Morabto, R. (995). An and/or-graph approach to the soluton of twodmensonal non-gullotne cuttng problems. European Journal of Operatonal Research, 84, () Beasley, J. (985). An exact two-dmensonal non gullotne cuttng tree search procedure. Operatons Research, 33, (3) Beasley, J. (993). Chapter 6, Lagrangean relaxaton. In: Modern Heurstc Technques for Combnatoral Problems [edted by C.R. Reeves], Blackwell Scentfc Publcatons.
16 Farago & Morabto Um método heurístco baseado em relaxação Lagrangana (4) Bhattacharya, S.; Roy, R. & Bhattacharya, S. (998). An exact depth-frst algorthm for the pallet loadng problem. European Journal of Operatonal Research, 0, (5) Bschoff, E. & Dowsland, W. (98). An applcaton of the mcro to product desgn and dstrbuton. Journal of the Operatonal Research Socety, 33, (6) Camern, P.M.; Fratta, L. & Maffol, F. (975). On mprovng relaxaton methods by gradent technques. Mathematcal Programmng Study, 3, (7) Crowder, H. (976). Computatonal mprovements for subgradent optmzaton. Symposo Matematca, Roma, 7, (8) Dowsland, K. (987). An exact algorthm for the pallet loadng problem. European Journal of Operatonal Research, 3, (9) Dyckhoff, H. (990). A typology of cuttng and packng problems. European Journal of Operatonal Research, 44, (0) Farago, R. (999). Um método heurístco baseado em relaxação lagrangana para resolver o problema de carregamento de paletes do produtor. Dssertação de Mestrado, Departamento de Engenhara de Produção, Unversdade Federal de São Carlos. () Morabto, R. & Morales, S.R. (998). A smple and effectve recursve procedure for the manufacturer s pallet loadng problem. Journal of the Operatonal Research Socety, 49, () Morabto, R.; Morales, S.R. & Wdmer, J.A. (000). Loadng optmzaton of palletzed products on trucks. Transportaton Research, Part E 36, (3) Nelssen, J. (994). Solvng the pallet loadng problem more effcently. Workng Paper, Graduertenkolleg Informatk und Technk, agosto, Alemanha. (4) Nelssen, J. (995). How to use the structural constrants to compute an upper bound for the pallet loadng problem. European Journal of Operatonal Research, 84, (5) Schethauer, G. & Terno, J. (996). The G4-heurstc for the pallet loadng problem. Journal of the Operatonal Research Socety, 47, 5-5. (6) Smth, A. & De Can, P. (980). An algorthm to optmzar the layout of boxes n pallets. Journal of the Operatonal Research Socety, 3, (7) Steudel, H. (979). Generatng pallet loadng patterns: A specal case of the twodmensonal cuttng stock problem. Management Scence, 0, (8) Tsa R.; Malstrom, E. & Kuo, W. (993). Three dmensonal palletzaton of mxed box szes, IEE Transactons, 5,
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 maisO 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 maisUMA 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 maisO 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 maisMÉTODOS 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 maisSIMPÓSIO 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 maisUM 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 maisModelo 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 maisEstivagem de unidades de celulose: uma análise prática com heurísticas de bloco
Estvagem de undades de celulose: uma análse prátca com heurístcas de bloco Douglas Rosson Srtol (UnAracruz) drsrtol@fsjb.edu.br Glaydston Mattos Rbero (UnAracruz) glaydston@fsjb.edu.br Luz Antono Noguera
Leia maisFigura 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 maisMÉTODO DE GERAÇÃO DE COLUNAS PARA O PROBLEMA DO CARREGAMENTO DE PALETES DO PRODUTOR
MÉTODO DE GERAÇÃO DE COLUNAS PARA O PROBLEMA DO CARREGAMENTO DE PALETES DO PRODUTOR Glaydston Mattos Rbero Laboratóro Assocado de Computação e Matemátca Aplcada Insttuto Naconal de Pesqusas Espacas 2.227-00,
Leia maisO 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 mais7 - 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 maisFaculdade 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 mais3 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 maisMODELOS 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 maisRESOLUÇÃO DO PROBLEMA DE CORTE INTEGRADO AO PROBLEMA DE SEQÜENCIAMENTO DOS PADRÕES UTILIZANDO RELAXAÇÃO LAGRANGEANA
RESOLUÇÃO DO PROBLEMA DE CORTE ITEGRADO AO PROBLEMA DE SEQÜECIAMETO DOS PADRÕES UTILIZADO RELAXAÇÃO LAGRAGEAA Mara José Pnto Centro Técnco Aeroespacal (CTA) Insttuto de Estudos Avançados (IEAv) Departamento
Leia maisPROBLEMA DE DIMENSIONAMENTO DE LOTES MONOESTÁGIO COM RESTRIÇÃO DE CAPACIDADE: MODELAGEM, MÉTODO DE RESOLUÇÃO E RESULTADOS COMPUTACIONAIS
Vol. 20, No. 2, p. 287-306, dezembro de 2000 Pesqusa Operaconal 287 PROBLEMA DE DIMENSIONAMENTO DE LOTES MONOESTÁGIO COM RESTRIÇÃO DE CAPACIDADE: MODELAGEM, MÉTODO DE RESOLUÇÃO E RESULTADOS COMPUTACIONAIS
Leia maisIMPLEMENTAÇÃO 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 maisMODELOS 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 mais3 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 maisCAPÍTULO 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 mais4 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 maisCapítulo 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 maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 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 maisAbordagens 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 maisRAD1507 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 mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
Leia maisAo 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 mais3.6. 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 maisAo 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 maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisProgramação 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 mais5 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 maisGRASP 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 maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
Leia maisVariação 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 maisEstudos de Problemas de Dimensionamento de Lotes Monoestágio com Restrição de Capacidade. Orientador: Prof. Dr. Marcos Nereu Arenales
Estudos de Problemas de Dmensonamento de Lotes Monoestágo com Restrção de Capacdade Slvo Alexandre de Araujo Orentador: Prof. Dr. Marcos Nereu Arenales Dssertação apresentada ao Insttuto de Cêncas Matemátcas
Leia mais(1) A uma parede totalmente catalítica quanto para uma parede com equilíbrio catalítico. No caso de uma parede com equilíbrio catalítico, tem-se:
1 RELATÓRIO - MODIFICAÇÃO DA CONDIÇÃO DE CONTORNO DE ENTRADA: MODELOS PARCIALMENTE CATALÍTICO E NÃO CATALÍTICO PARA ESCOAMENTOS COM TAXA FINITA DE REAÇÃO 1. Condções de contorno Em escoamentos reatvos,
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 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 maisProcedimento 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 maisAPLICAÇÃO DO MÉTODO DAS DIFERENÇAS FINITAS PARA SOLUÇÃO DAS EQUAÇÕES DE LAPLACE E POISSON PARA LINHAS DE MICROFITAS ACOPLADAS
APLICAÇÃO DO MÉTODO DAS DIFERENÇAS FINITAS PARA SOLUÇÃO DAS EQUAÇÕES DE LAPLACE E POISSON PARA LINHAS DE MICROFITAS ACOPLADAS Raann Pablo de Alencar AZEEDO; Ícaro Bezerra de Queroz ARAÚJO; Elel Pogg dos
Leia maisAdriana 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 mais2ª PARTE Estudo do choque elástico e inelástico.
2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos
Leia maisUNIDADE 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 maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisDIFERENCIANDO 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 maisEQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) Introdução Seja a segunte equação derencal: d ( ) ; d para. que é reerencado com o problema do valor ncal. Essa denomnação deve-se
Leia maisCORRELAÇÃO 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 mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais4.1 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 maisFICHA 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 maisEletrotécnica AULA Nº 1 Introdução
Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca
Leia maisAlgarismos 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 maisUniversidade 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 mais3 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 maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisGestão 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 mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisPROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS
PROBLEMA DE DIFUSÃO DE CALOR RESOLVIDO POR MEIO DE EQUAÇÕES DIFERENCIAIS PARCIAIS PARABÓLICAS Renato S. Gomde 1, Luz F. B. Loja 1, Edna L. Flôres 1 1 Unversdade Federal de Uberlânda, Departamento de Engenhara
Leia maisÉ 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 maisEstatística 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 maisIntrodução a Combinatória- Aplicações, parte II
Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o
Leia maisFICHA 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 maisCAPÍTULO. 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 maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisMÉTODOS ITERATIVOS PARA PROBLEMAS DE PROGRAMAÇÃO MATEMÁTICA COM INCERTEZAS
Pesqusa Operaconal e o Desenvolvmento Sustentável MÉTODOS ITERATIVOS PARA PROBLEMAS DE PRORAMAÇÃO MATEMÁTICA COM INCERTEZAS Rcardo Coêlho Slva Departamento de Telemátca Faculdade de Engenhara Elétrca e
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia mais5 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 maisRadiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)
Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,
Leia mais3 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 maisTestes 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 mais3 Animação de fluidos com SPH
3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisUMA NOVA ABORDAGEM PARA O PROBLEMA DA MOCHILA COMPARTIMENTADA
Pesusa Operaconal na Socedade: Educação, Meo Ambente e Desenvolvmento a 5/09/06 Goâna, GO UMA NOVA ABORDAGEM PARA O PROBLEMA DA MOCHILA COMPARTIMENTADA Robnson Hoto e Alexandre Fenato Unversdade Estadual
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia maisCurvas Horizontais e Verticais
Insttução: Faculdade de Tecnologa e Cêncas Professor: Dego Queroz de Sousa Dscplna: Topografa Curvas Horzontas e ertcas 1. Introdução Exstem dversas ocasões na engenhara em que os projetos são desenvolvs
Leia maisAnálise 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 maisDELINEAMENTOS 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 mais1. 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 maisMODELAGEM DE CURVAS DE MAGNETIZAÇÃO PARA SOLUÇÃO ITERATIVA DE CIRCUITOS MAGNÉTICOS NÃO LINEARES
MODELAGEM DE CURVAS DE MAGNETIZAÇÃO PARA SOLUÇÃO ITERATIVA DE CIRCUITOS MAGNÉTICOS NÃO LINEARES MEZA, Rafael Argüello, estudante de graduação, CEFET-PR, 2005 Centro Federal de Educação Tecnológca do Paraná
Leia maisIII Seminário da Pós-graduação em Engenharia Elétrica
FLUXO DE POÊNCIA ÓIMO E O MINOS Adlson Preto de Godo Aluno do Programa de Pós-Graduação em Engenhara Elétrca Unesp Bauru Edméa Cássa Baptsta Orentador Depto de Matemátca Unesp Bauru RESUMO Neste trabalho
Leia maisProgramação Não Linear. Programação Não-Linear 1
Proramação Não Lnear Proramação Não-Lnear Os modelos empreados em Proramação Lnear são, como o própro nome dz, lneares (tanto a unção-obetvo quanto as restrções). Este ato é, sem dúvda, a maor das restrções
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisO MMD se baseia no sistema no sistema linearizado das equações de fluxo de potência, ou seja: Δ (4.1)
4 Método da Matrz D Neste capítulo será apresentada uma descrção do MMD [Prada, 99], [Prada, ]. Este método será usado para dentfcar casos de nstabldade de tensão causados pela perda de controlabldade.
Leia mais8 - 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 maisClassificação e Pesquisa de Dados
Classcação por Trocas Classcação e Pesqusa de Dados Aula 05 Classcação de dados por Troca:, ntrodução ao Qucksort UFRGS INF01124 Classcação por comparação entre pares de chaves, trocando-as de posção caso
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisMecanismos 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 maisUM 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 maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisANÁLISE 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