ALGORITMOS PARA PROGRAMAÇÃO DINÂMICA BASEADOS EM FAMÍLIAS INVARIANTES
|
|
- Emanuel Pinto Cordeiro
- 6 Há anos
- Visualizações:
Transcrição
1 ALGORITMOS PARA PROGRAMAÇÃO DINÂMICA BASEADOS EM FAMÍLIAS INVARIANTES Rodrigo Tomás Nogueira Cardoso Doutorado em Engenharia Elétrica - Universidade Federal de Minas Gerais Av. Antônio Carlos, 6627 Belo Horizonte MG CEP: rodrigoc@cpdee.ufmg.br Ricardo Hiroshi Caldeira Takahashi Departamento de Matemática - Universidade Federal de Minas Gerais Av. Antônio Carlos, 6627 Belo Horizonte MG CEP: taka@mat.ufmg.br Resumo A maneira tradicional de se resolver um problema de programação dinâmica com variáveis discretas consiste em montar a árvore de possibilidades e procurar nela um caminho mínimo - este é o algoritmo ótimo, baseado no princípio da otimalidade de Bellman. Tal algoritmo é de complexidade exponencial. Este trabalho propõe um método para tratar uma classe de problemas de programação dinâmica linear com variáveis discretas utilizando uma relaxação contínua nas variáveis, obtendo soluções aproximadas, com custo computacional equivalente ao da solução de um problema de programação linear estática com dimensão igual a (n + p.n), onde (n) é o número de variáveis de estado em um dos estágios, (p) é o número de variáveis de decisão, e (N) é o número de estágios do processo de decisão. O método proposto se baseia na idéia de iterar, através do sistema dinâmico, um conjunto fechado com estrutura paramétrica invariante a essa iteração (um conjunto invariante). A otimização é feita com as variáveis de estado em apenas um dos estágios, restritas a tal conjunto, sendo utilizada a linearidade do sistema dinâmico para produzir uma composição da otimização nas variáveis de decisão com a otimização no vetor de estados. Palavras-chave: programação matemática, programação dinâmica, programação linear. Abstract The traditional way of solving a dynamic programming problem with discrete variables consists in building the possibility tree, in which a minimal path is determined - this is the optimal algorithm, based on Bellman's optimality principle. Such algorithm has exponential complexity. This work proposes a method for dealing with a class of linear dynamic programming problems with discrete variables, employing a continuous relaxation that leads to approximate solutions with computational cost equivalent to the cost of solving a linear programming problem with dimension (n+p.n), in which (n) is the number of state variables in one stage, (p) is the number of decision variables, and (N) is the number of stages of the decision process. The proposed method is based on the idea of iterating, through the dynamic system, a closed set with a parametric structure that is invariant under such iteration (an invariant set). The optimization is performed with the state variables just in one stage, constrained to such set, and the linearity of the dynamic system is employed in order to allow the composition of the optimization on the state variables with the optimization on the decision variables. Keywords: mathematic programming, dynamic programming, linear programming. Área: PM (Programação Matemática) 1. Programação dinâmica e sistemas dinâmicos
2 Segundo Chen (1999) [1], podemos definir sistema dinâmico como uma função, cuja saída do tempo atual depende, além da entrada do tempo atual, da saída do tempo passado (consideramos, sem perda de generalidade, o parâmetro como tempo). A entrada u(t) é chamada também de controle, a saída é denotada por y(t) e o estado x(t) é a informação que, juntamente com a entrada, determina a saída do sistema. O sistema dinâmico é discreto quando o tempo é discreto, ou seja, variáveis inteiras. Então, há um período T tal que: u[k]=u(kt), x[k]=x(kt) e y[k]=y(kt). Neste caso, cada instante de tempo (kt) é considerado um estágio do problema. Um sistema dinâmico é linear quando obedece ao princípio da superposição. Este princípio diz que a resposta do sistema à entrada pode ser estudada separadamente da resposta do sistema ao estado. Podemos descrever um sistema dinâmico linear, discreto, de parâmetros concentrados, invariante com o tempo, com a ação do controle como: x[k+1] = Ax[k] + Bu[k] y[k+1] = Cx[k] + Du[k] k = 0, 1,..., N-1, para um sistema com (p) entradas, (q) saídas e (n) estados, u, y e x são vetores de dimensão (p), (q) e (n), respectivamente. Então, as matrizes A, B, C e D têm dimensão (n) x (n), (n) x (p), (q) x (n) e (q) x (p), respectivamente. A matriz A é chamada matriz de transição do sistema dinâmico. A programação dinâmica trabalha quando as decisões podem ser tomadas em estágios e a decisão tomada em cada estágio tem uma influência na decisão do estágio seguinte. Assim, otimizar uma função objetivo ou função custo restrita a um sistema dinâmico é resolver um problema de programação dinâmica. A meta de programação é o ponto (vetor) onde se quer chegar após (N) iterações do sistema dinâmico ao final dos estágios do problema. Para cada estágio (k), associamos uma função g(x[k]), que representa o custo de transição do estado x[k] para o estado x[k+1] sob o controle u[k] esta função pode ser pensada como a saída y do sistema dinâmico. Um ranking baseado na soma dos custos em cada estágio aponta para a solução ótima. Este é o princípio da otimalidade de Bellman. Quando as variáveis do problema são números inteiros, o algoritmo consiste em: 1.listar todos os estados em todos os estágios sob todos os controles admissíveis. 2.montar a árvore das possibilidades do problema: um grafo cujos estados são os nodos e os controles são os arcos com seus respectivos custos. 3.encontrar o caminho mínimo nesta árvore entre o nodo inicial e o nodo final. Mascó (2001) [3] mostra que o custo computacional para se montar a árvore das possibilidades é exponencial em função das variáveis de estado e estágios. Assim, o problema sofre da chamada maldição da dimensionalidade, ou seja, sua solução fica impraticável se houverem muitos estados e estágios. Neste trabalho, propomos um método que evita a montagem desta árvore. É um método de relaxação contínua nas variáveis do problema: as variáveis inteiras devem ser tratadas como números reais. Os resultados obtidos são limitantes inferiores para a solução ótima inteira, mas podem representar boas aproximações para esta, dependendo do problema. A metodologia proposta irá permitir que montemos um problema equivalente de otimização estática em apenas um estágio, restrito à pré-imagem da meta de programação (ou de uma relaxação desta meta construída com conjuntos que são parametricamente invariantes em torno da meta de programação). 2. Famílias invariantes Num sistema dinâmico com a ação do controle, cada iteração pelo sistema é uma transformação afim: uma transformação linear composta com uma translação. Pelo princípio da superposição, podemos estudar a transformação linear (sem ação do controle) separadamente da translação (ação do controle). Assim, vamos definir o conceito de famílias invariantes (somente) por uma transformação linear. 1893
3 Uma família F de conjuntos é invariante por uma transformação linear A, ou apenas é uma família invariante, quando a iteração por A de cada conjunto V pertencente a F é um conjunto W pertencente a F. Vamos considerar dois exemplos simples de famílias invariantes: a família de elipsóides e a família de politopos. Sabemos que todo o elipsóide iterado por qualquer transformação linear ainda é um elipsóide (se a matriz for singular será um elipsóide degenerado) e que todo politopo iterado por qualquer transformação linear ainda é um politopo (pois a transformação linear leva hiperplanos e hiperplanos e regiões convexas em regiões convexas). Estas demonstrações estão em Cardoso (2005) [2]. Seja B uma bola (uma bola é um elipsóide) no estágio (N) com raio (ε) e centro em x*- uma meta de programação. A equação desta bola é: x[n] x* < ε, cuja norma. é a euclidiana. Seja um ponto p tal que (A^N)p = x*. A pré-imagem da bola acima no estágio inicial 0 é o elipsóide de equação: (x[0] - p) (A^{N}) A^N (x[0]-p) < ε^2. Figura 1: Pré-imagem de uma boa em torno da meta de programação. Seja P um hipercubo (sabemos que um hipercubo é um politopo) no estágio (N) com raio (ε) e centro em x* - uma meta de programação. A equação deste hipercubo é: x[n] x* < ε, cuja norma. é a do máximo. Seja e_i, o (i)-ésimo vetor da base canônica. A pré-imagem do hipercubo acima no estágio inicial (0) é o politopo de equações: e_i (A^Nx[0]-(x*+ ε e_i)) < 0, para cada i -e_i (A^Nx[0]-(x*- ε e_i )) > 0, para cada i. Figura 2: Pré-imagem de um hipercubo em torno da meta de programação. 3. Algoritmos propostos Propomos, neste trabalho, colocar a dinâmica do sistema na iteração de conjuntos em vez de colocá-la nos arcos de um grafo, como tradicionalmente é feito. Assim, estamos olhando para o problema de programação dinâmica com um uma ótica geométrica. Se as variáveis do problema forem números inteiros, propomos uma relaxação contínua, ou seja, considerá-las como números reais. A solução do problema relaxado será, nesse caso, um limitante inferior da solução exata do problema original. Propomos também a relaxação na meta de programação: substituí-la por um conjunto que pertença a uma família invariante (de tamanho admissível) ao seu redor. Se a matriz A do sistema dinâmico tiver raio espectral menor ou igual a 1, a pré-imagem deste conjunto será maior ou igual ao conjunto, ou seja: estaremos aumentando a região 1894
4 factível e possivelmente reduzindo a função custo, apenas com uma pequena perda na meta de programação. A idéia dos algoritmos aqui propostos é muito simples. Consideremos o estágio inicial do problema: propomos considerar a pré-imagem da meta de programação (ou do conjunto pertencente à família invariante ao redor da meta de programação), bem como as pré-imagens de toda a seqüência de ações de controle neste estágio. Como o sistema é linear, vale o princípio da superposição : podemos fazer separadamente a iteração dos estados (correspondente ao sistema sem a ação de controle), e a iteração da seqüência de ações de controle ótimas. Obtemos as pré-imagens dos estados, reescrevendo cada estado x[k] em função de x[0], e da seqüência de controles ótimas, pela igualdade abaixo, demonstrada em Cardoso (2005) [2] : x[k] = (A^k)x[0] + Bu[k-1] + (K=1 até k-1) (A^k)Bu[N-K-1]. iteração sem a ação de controle iteração da seqüência de ações de controle O algoritmo proposto para a otimização com a ação de controle é: 1.permitir uma relaxação na meta de programação (no estágio final N), substituindo-a por um conjunto que pertença a uma família invariante ao seu redor. 2.fazer a iteração no tempo deste conjunto e de cada ação de controle para somente um dos estágios (o estágio inicial). 3.somar as pré-imagens das ações de controle em cada estágio com a pré-imagem do conjunto pertencente à família invariante (isto é permitido, pois o sistema é linear). 4.fazer a otimização (linear ou não-linear, isenta da limitação dinâmica) somente neste estágio, restrita ao conjunto encontrado na etapa (3). Vamos considerar também a função custo como função apenas do estado inicial e da seqüência de ações de controle ótimas, substituindo formalmente na função custo o valor de cada x[k] como proposto acima. Seja h[k](u[k]) o custo da decisão ótima no estágio (k). Então a função custo total é: J = g(x[0]) + (k=0 até N-1) h[k](u[k]). Seja x*, a meta de programação do problema, ou seja, queremos que ao final de (N) estágios e para todo estado inicial x[0], tenhamos x[n] = x*. Propomos aqui apenas duas formulações: otimizar na pré-imagem da meta de programação e na pré-imagem de um hipercubo em torno da meta de programação (um conjunto pertencente a uma família invariante). Formulação 1: otimizar restrito à pré-imagem da meta de programação min g(x[0]) + (k=0 até N-1) h[k](u[k]) sujeito a: (A^N)x[0] + Bu[N-1] + (K=1 até N-1) (A^k)Bu[N-K-1] = x* Formulação 2: otimizar restrito à pré-imagem de um hipercubo em torno da meta min g(x[0]) + (k=0 até N-1) h[k](u[k]) sujeito a: e_i (A^Nx[0]-(x*+ ε e_i)) + Bu[N-1] + (K=1 até N-1) (A^k)Bu[N-K-1] < 0, para cada i -e_i (A^Nx[0]-(x*- ε e_i )) + Bu[N-1] + (K=1 até N-1) (A^k)Bu[N-K-1] > 0, para cada i. Repare que na formulação (2) aplicamos novamente o princípio da superposição (a região factível é a soma da pré-imagem do hipercubo sem a ação de controle com a pré-imagem da seqüência das ações de controle). Se as funções custo forem lineares: g(x[0]) = c x[0] e h[k](u[k]) = d[k] u[k], com c e d[k] vetores, então estas formulações nos levam a problemas de programação linear estáticos. Podemos resolvê-los, por exemplo, por métodos de pontos interiores, a um custo computacional polinomial, referente a um problema com dimensão igual a (n + p.n), onde (n) é o número de variáveis de estado no estágio inicial a dimensão de x[0], (p) é o número de variáveis de controle a dimensão da cada u[k], e (N) é o número total de estágios do processo de decisão. Como comentado, as formulações propostas não mais possuem a complexidade exponencial dos métodos enumerativos, como era nossa intenção, pois evitam a formação da árvore de possibilidades. 1895
5 Se o problema tiver outras restrições além da restrição dinâmica, basta usar a mesma idéia já explicada: substituir formalmente nas variáveis de estado x[k] em cada estágio (k) a relação do sistema dinâmico, de modo que cada restrição seja uma função apenas do estado no estágio inicial x[0] e da seqüência de ações de controle. Observamos também que com estas formulações, podemos otimizar facilmente as variáveis de controle limitadas por valores máximos e/ou mínimos, apenas acrescentando as devidas restrições. As formulações aqui propostas continuariam válidas para problemas com variáveis inteiras tomadas enquanto tais: bastaria acrescentar nas formulações acima a restrição de integralidade, e resolver como um problema de programação (linear ou não-linear) inteira. Evidentemente, nesses casos não se preservaria a complexidade polinomial dos algoritmos para solução desses problemas. 4. Estudo de caso: evolução de um rebanho de gado no tempo com ação de controle Vamos apresentar um estudo de caso mostrando a eficácia das formulações aqui propostas. A evolução de um rebanho de gado no tempo pode ser modelada como um sistema dinâmico discreto linear. Através deste modelo, vamos procurar a política ótima que tenha o mínimo custo inicial para aquisição do rebanho e o máximo aproveitamento dos recursos da fazenda. Este estudo de caso foi inspirado em Takahashi et al (1997) [4] e está mais detalhado em Cardoso (2005) [3]. As variáveis do problema são vetores com 8 coordenadas, cada uma relacionada com um sexo e com uma faixa etária como abaixo: 1: fêmeas entre 0 e 1 ano 2: fêmeas entre 1 e 2 anos 3: fêmeas entre 2 e 3 anos 4: fêmeas acima de 3 anos com bezerros 5: fêmeas acima de 3 anos sem bezerros 6: machos entre 0 e 1 ano 7: machos entre 1 e 2 anos 8: machos entre 2 e 3 anos As variáveis do problema, claro, devem ser números inteiros. Mas, em vista da metodologia apresentada, vamos considerar todas as variáveis como números reais (relaxação contínua). Observese que quanto maior for o número de cabeças de gado do rebanho que estiver sendo estudado, melhor será a aproximação obtida pelo método aqui proposto. Em contraste, quanto maior o número de cabeças de gado, mais difícil fica a solução do problema pelos métodos tradicionais de montagem da árvore de possibilidades problema que não se manifesta para o método aqui proposto até dimensões muito grandes. A variável de estado no estágio (k), x[k], corresponde à quantidade de indivíduos neste estágio, com cada coordenada representando uma classe, como especificado acima. A variável de controle no estágio (k), u[k], corresponde à quantidade de cabeças a serem negociadas neste estágio, sendo que u[k] positivo quer dizer compra e u[k] negativo quer dizer venda. O sistema dinâmico com a ação de controle pode dado pelo sistema de equações: x[k+1] = Ax[k] + Bu[k], cuja matriz A depende da taxa de mortalidade de cada faixa etária (m_1, m_2 e m_3), da taxa de fecundidade das fêmeas (f e f_3) e de um parâmetro que torne o sistema estável: uma taxa anual de descarte das fêmeas (R), e cuja matriz B tem as colunas da matriz identidade referentes às coordenadas que se quer fazer o controle e tem as colunas nulas referentes às coordenadas em que não se quer negociar. Quando a matriz A for estável, o seu maior autovalor será 1, associado a um autovetor x* que será a meta de programação (escolhido de modo que cx* seja L). Observe que como x* é um ponto de estabilidade, então A^kx* = x*, para todo (k). A matriz A deste modelo está abaixo: 1896
6 Figura 3: Matriz A do sistema dinâmico. Considere c um vetor linha de 8 posições que associa aos indivíduos associados à posição x_i o tamanho médio c_i ocupado por cada um e d_k vetores linha também com 8 coordenadas com os mesmos valores do vetor c nas coordenadas que se quer negociar e zero nas demais. A função objetivo do problema consiste em minimizar o total de indivíduos a serem comprados (no momento inicial e nos demais) e pode ser escrita como: min c x[0] + (k=0 até N-1) d_k u[k]. As restrições do problema são: 1.coordenadas do vetor x[k] não-negativas em cada estágio (k): x[k] 0, para cada estágio (k). 2.limitação no espaço da fazenda, que tem uma capacidade (L): c x[k] L, para cada estágio (k). 3.estado de estabilidade do rebanho após (N) anos: x[n] - x* < ε, onde. é uma norma qualquer (esta norma será a euclidiana, se quisermos a pré-imagem de uma bola, ou a norma do máximo, se quisermos a pré-imagem de um hipercubo e consideraremos o caso da igualdade x[n] = x*, se quisermos a pré-imagem da meta). 4.pode-se negociar o rebanho, em cada estágio, apenas entre um valor mínimo e um valor máximo por classe: min u(i)[k] max, para todo (i), para todo (k). Os dados deste exemplo são de um típico rebanho de gado de corte zebu da região de Minas Gerais. Os parâmetros da matriz A são: m_1 = 0,95, m_2 = 0,97, m_3 = 0,98, m_4 = 0,98, f = 0,7, f_3 = 0,628. O parâmetro de estabilidade (calculado para os parâmetros acima) é R = 0,1781. O tempo necessário para que o sistema adquira a estabilidade é N = 7 anos e o erro admissível após (N) anos é ε = 0,01. O tamanho da fazenda é de L = 1000 cabeças de gado. Os vetores c e d_k são vetores unitários. Cada variável de controle u_i[k] pode variar entre -10 e 10. Vamos considerar o controle em todas as coordenadas de u[k], ou seja, a matriz B será a matriz identidade. Vamos apresentar os dados já fazendo o arredondamento do número real encontrado para número inteiro. O vetor de estados no estágio inicial (resultado da otimização) x[0] encontrada pela formulação (1), o vetor de estados no estágio final (calculado pelo sistema dinâmico a partir do estado inicial encontrado) x[7], bem como a meta de programação x*, estão na tabela (1), abaixo. O gráfico com a evolução do rebanho a cada ano aparece na figura (4), em seguida. Tabela 1: Vetor de estados para a formulação (1) do problema da evolução do rebanho de gado com controle. Figura 4: Evolução do rebanho para a formulação (1) do problema da evolução do rebanho de gado com controle 1897
7 O resultado da função custo já com o arredondamento é 456 cabeças, ou seja, além das 426 cabeças na aquisição inicial devemos comprar mais 30 cabeças ao longo do processo. O vetor de estados no estágio inicial (resultado da otimização) x[0] encontrada pela formulação (2), o vetor de estados no estágio final (calculado pelo sistema dinâmico a partir do estado inicial encontrado) x[7], bem como a meta de programação x*, estão na tabela (2), abaixo. O gráfico com a evolução do rebanho a cada ano aparece na figura (5), em seguida. Tabela 2: Vetor de estados para a formulação (2) do problema da evolução do rebanho de gado com controle. Figura 5: Evolução do rebanho para a formulação (2) do problema da evolução do rebanho de gado com controle. O resultado da função custo também é 455 cabeças, ou seja, além das 424 cabeças na aquisição inicial devemos comprar mais 31 cabeças ao longo do processo. A tabela (3) apresenta uma comparação entre o valor inicial e o tempo gasto (em segundos) nos dois processos: - (A): resolução considerando a formulação (1); - (B): resolução considerando a formulação (2). Tabela 3: Comparação entre o valor inicial e o tempo gasto nos dois processos. Os dois processos obtiveram praticamente o mesmo resultado, mostrando que resolvem o problema, sendo que a formulação (2) resolveu na metade do tempo da formulação (1). É notável nos dois processos o fato das coordenadas x_3 e x_4 (respectivamente, número de fêmeas entre 2 e 3 anos e número de fêmeas acima de 3 anos) serem nulas no estágio inicial. Isto proporciona uma redução significativa no custo de aquisição do rebanho (custo inicial). 6. Conclusões Propomos neste trabalho, uma metodologia de relaxação contínua para problemas de programação dinâmica de variáveis inteiras quando os sistemas forem discretos, lineares, de 1898
8 parâmetros concentrados, invariantes com o tempo. O problema relaxado se reduz à otimização em apenas um estágio, restrito à pré-imagem do conjunto invariante considerado ao redor da meta de programação. No caso de problemas em que o vetor de estados inicial é parte das variáveis de decisão, isso reduz o problema original a um problema linear com (n + N.p) variáveis. Se a matriz de transição do sistema dinâmico tiver raio espectral menor ou igual a 1, a pré-imagem no estágio inicial de um conjunto por esta matriz será maior ou igual a este conjunto no estágio final. Neste caso, é útil fazer uma relaxação na meta de programação, substituindo-a por um conjunto pertencente a uma família invariante ao seu redor. A vantagem é que, fazendo a relaxação na meta, aumentaremos a região factível do problema e, em muitos casos, encontraremos um resultado de função objetivo consideravelmente melhor, para um erro em relação à meta ainda admissível. A região factível no estágio inicial (em cada coordenada) será tão maior quanto menor for o módulo do autovalor da matriz de transição correspondente à coordenada. Observe-se que quanto maior for o número de valores possíveis para as variáveis de estado do problema, melhor será a aproximação obtida pelo método aqui proposto, em comparação com a solução exata. O método exato de solução, baseado na montagem da árvore de possibilidades, tornase rapidamente inviável à medida que ocorre tal aumento do número de possibilidades associadas às variáveis. O método aqui proposto, por outro lado, é insensível a tal aumento, sob o ponto de vista da complexidade computacional. Isso indica que para a classe de problemas com essas características o método proposto pode vir a constituir uma boa alternativa. Vale ressaltar que, portanto, este método também é uma boa alternativa quando as variáveis do problema já forem números reais (número infinito de valores possíveis para as variáveis de estado). Referências bibliográficas [1] BERTSEKAS, D. P., Dynamic Programming and optimal control, volume 1, Athena Scientific, [2] CARDOSO, R. T. N., Algoritmos para programação dinâmica baseados em famílias invariantes. Dissertação de mestrado, Departamento de Matemática, Universidade Federal de Minas Ferais, [3] MASCÓ, R. 0., Introducción da la Programacion Dinamica (apuntes de clase). Escuela de Ingeniería Industrial, Facultad de Cs. Es., Ingeniería y Agrimensura, Universidad Nacional de Rosario, [4] TAKAHASHI, R. H. C., CALDEIRA, C. P. & PERES, P. L. D., A linear dynamic system approach for cattle herd optimal shaping. Internacional Journal of Systems Science, volume 28, number 9, pages ,
Algoritmos para Programação Dinâmica baseados em Famílias Invariantes
Rodrigo Tomás Nogueira Cardoso Algoritmos para Programação Dinâmica baseados em Famílias Invariantes Dissertação de mestrado apresentada ao Departamento de Matemática do Instituto de Ciências Exatas da
Leia maisProgramação 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
Leia maisTeoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016
Teoria de dualidade Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisMétodo Simplex. Marina Andretta ICMC-USP. 19 de outubro de 2016
Método Simplex Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização linear
Leia maisMétodo Simplex dual. Marina Andretta ICMC-USP. 24 de outubro de 2016
Método Simplex dual Marina Andretta ICMC-USP 24 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisMarina Andretta. 18 de outubro de 2010
Aplicações Marina Andretta ICMC-USP 18 de outubro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 18 de outubro de 2010 1 / 34 Problema Kissing number O kissing number é dado pelo número
Leia maisFerramentas para Programação Dinâmica em Malha Aberta
Rodrigo Tomás Nogueira Cardoso Ferramentas para Programação Dinâmica em Malha Aberta Tese submetida à banca examinadora designada pelo Colegiado do Programa de Pós-Graduação em Engenharia Elétrica da Universidade
Leia maisMarina Andretta. 9 de agosto de Baseado em problemas presentes em
Aplicações Marina Andretta ICMC-USP 9 de agosto de 2018 Baseado em problemas presentes em http://www.ime.usp.br/~egbirgin/tango/ Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 9 de agosto de
Leia maisControle 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
Leia maisProgramação 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.
Leia maisUma 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
Leia maisUMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC
UMA PROPOSTA DE DECOMPOSIÇÃO DE SISTEMAS LINEARES PARA DMPC R. R. ROCHA 1 e L. C. OLIVEIRA-LOPES 1 1 Universidade Federal de Uberlândia, Faculdade de Engenharia Química E-mail para contato: rosi.rocha28@gmail.com;
Leia maisProgramação 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
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia maisEstabilidade e Estabilização de Sistemas Lineares via
Trabalho apresentado no DINCN, Natal - RN, 2015 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Estabilidade e Estabilização de Sistemas Lineares via Programação Semidefinida
Leia maisEstabilidade entrada-saída (externa).
Estabilidade entrada-saída (externa) ENGC33: Sinais e Sistemas II Departamento de Engenharia Elétrica - DEE Universidade Federal da Bahia - UFBA 05 de junho de 2019 Prof Tito Luís Maia Santos 1/ 38 Sumário
Leia maisMarina Andretta. 10 de outubro de Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis.
Solução básica viável inicial Marina Andretta ICMC-USP 10 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Forma geral de um problema Em vários problemas que formulamos, obtivemos: Um objetivo de otimização
Leia maisUniversidade Federal de Santa Catarina Centro Tecnológico Depto de Informática e Estatística Disciplina: INE50-Cálculo Numérico Cap. - Sistemas Lineares Lista de Exercícios - Soluções 1. Resposta: a) x
Leia maisPesquisa Operacional / Programação Matemática
Pesquisa Operacional / Programação Matemática Otimização discreta Branch-and-bound 15 mai 2009 16:29 Como resolver PIMs? Antes: todas as variáveis reais Simplex Agora: problema: Apesar de não representar
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Revisão Método Simplex Solução básica factível: xˆ xˆ, xˆ N em que xˆ N 0 1 xˆ b 0 Solução geral
Leia maisMÉTODO DE FATORAÇÃO LU PARA SOLUÇÃO DE SISTEMAS LINEARES
MÉTODO DE FATORAÇÃO LU PARA SOLUÇÃO DE SISTEMAS LINEARES LU FACTORIZATION METHOD FOR SOLVING LINEAR SYSTEMS Natalia Rodrigues da Silva Fernando Pereira de Souza Edivaldo Romanini Universidade Federal de
Leia maisProgramação Linear. Dualidade
Programação Linear Dualidade Dualidade Já vimos em sala que para cada PPL existe um outro PL chamado dual, que consiste em modelar um problema que utiliza os mesmos dados que o original, mas alterando
Leia maisEstabilidade. 1. Estabilidade Entrada-Saída Sistemas LIT. 2. Estabilidade BIBO Sistemas LIT. 3. Estabilidade BIBO de Equações Dinâmicas Sistemas LIT
Estabilidade 1. Estabilidade Entrada-Saída Sistemas LIT 2. Estabilidade BIBO Sistemas LIT 3. Estabilidade BIBO de Equações Dinâmicas Sistemas LIT 4. Sistemas Discretos LIT 5. Estabilidade BIBO Sistemas
Leia maisDisciplina que estuda métodos analíticos para auxiliar na tomada de decisões.
Edgard Jamhour Disciplina que estuda métodos analíticos para auxiliar na tomada de decisões. Procura encontrar soluções ótimas ou próximo de ótimas para problemas de engenharia industrial, economia e finanças,
Leia mais3 Equação de Estado. 3.1 Introdução
Equação de estado 3 Equação de Estado 3.1 Introdução No capítulo anterior, foi apresentado um método para representação de redes elétricas. O método apresentado contém integrais de tensão e corrente, que
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia maisOtimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Leia maisUm Algoritmo de Pontos Interiores na Resolução de Problemas de Programação Linear com Coeficientes Fuzzy
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um Algoritmo de Pontos Interiores na Resolução de Problemas de Programação
Leia maisMétodos Exatos para PI - Parte 1: Branch-and-Bound
Introdução à Otimização Combinatória Métodos Exatos para PI - Parte 1: Professora: Rosiane de Freitas (rosiane@icomp.ufam.edu.br) Bruno Raphael Cardoso Dias Prof. Estágio em Docência (bruno.dias@icomp.ufam.edu.br)
Leia maisProcessamento de sinais digitais
Processamento de sinais digitais Aula 2: Descrição discreta no tempo de sinais e sistemas silviavicter@iprj.uerj.br Tópicos Sequências discretas no tempo. Princípio da superposição para sistemas lineares.
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 27.1 Gabarito 1) Considere a base η de R 3 η = {(1, 1, 1); (1,, 1); (2, 1, )} (1.a) Determine a matriz de mudança de coordenadas da base canônica para a base η. (1.b) Considere o
Leia maisMarina 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
Leia maisAlgoritmos de Caminho Mínimo Parte 1
Algoritmos de Caminho Mínimo Parte 1 A journey of a thousand miles starts with a single step and if that step is the right step, it becomes the last step. Index 1. Introduction 2. Applications 3. Tree
Leia maislnteligência Artificial Introdução ao Processo Decisório de Markov
lnteligência Artificial Introdução ao Processo Decisório de Markov Aprendizado - paradigmas Aprendizado supervisionado O crítico comunica a EA o erro relativo entre a ação que deve ser tomada idealmente
Leia maisTÍTULO DO PROJETO: O problema de empacotamento de figuras usando suas equações. Área do Conhecimento (Tabela do CNPq):
INSTITUCIONAL/IFSP PROJETO DE PESQUISA TÍTULO DO PROJETO: O problema de empacotamento de figuras usando suas equações Área do Conhecimento (Tabela do CNPq): 3. 0 8. 0 2. 0 2-4 1. RESUMO O problema de empacotamento
Leia maisEstimadores ou Observadores de Estado
Estimadores ou Observadores de Estado 1. Estimadores ou Observadores de Estado: sistemas SISO 1. Extensões para Sistemas a Tempo Discreto pag.1 Teoria de Sistemas Lineares Aula 19 Estimadores ou Observadores
Leia maisProgramação Linear Inteira. C. Requejo (UA) Métodos de Investigação Operacional MIO / 30
Programação Linear Inteira Programação Linear Inteira C. Requejo (UA) Métodos de Investigação Operacional MIO 2016 1 / 30 Programação Linear Inteira Programação Linear Inteira Resolução de problemas de
Leia maisModelagem Computacional. Parte 7 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 7 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisProgramação Dinâmica: Modelos Determinísticos
Programação Dinâmica: Modelos Determinísticos Prof. Fernando Augusto Silva Marins Departamento de Produção Faculdade de Engenharia Campus de Guaratinguetá UNESP www.feg.unesp.br/~fmarins fmarins@feg.unesp.br
Leia maisDEPARTAMENTO DE ENGENHARIA MECÂNICA
DEPARTAMENTO DE ENGENHARIA MECÂNICA Otimização: Algoritmos e Aplicações na Engenharia Mecânica ENG1786 & MEC2403 Ivan Menezes 2018-2 1 EMENTA 1. Introdução 1.1 Definições Básicas 1.2 Classificação dos
Leia mais2º Semestre 2002/2003 Problemas Resolvidos
RESOLUÇÂO DO PROBLEMA Nº 19 Determinado problema de Programação Linear depois de formulado permitiu obter as seguintes expressões: Max L = 4x 1-2x 2 + 2x 3 -x 4 s.a. R 1: x 1 - x 2 + 2x 3 +x 4 10 R 2:
Leia maisUniversidade Federal do Espírito Santo - UFES
Universidade Federal do Espírito Santo - UFES Centro Universitário Norte do Espírito Santo - CEUNES Departamento de Matemática Aplicada - DMA Prof. Isaac P. Santos - 2018/1 Aula: Métodos Iterativos Para
Leia maisMétodo de Eliminação de Fourier-Motzkin
ERMAC 200: I ENCONTRO REGIONAL DE MATEMÁTICA APLICADA E COMPUTACIONAL - 3 de Novembro de 200, São João del-rei, MG; pg 258-26 258 Método de Eliminação de Fourier-Motzkin André Rodrigues Monticeli, Cristiano
Leia maisRepresentação de Fourier para Sinais 1
Representação de Fourier para Sinais A representação de Fourier para sinais é realizada através da soma ponderada de funções senoidais complexas. Se este sinal for aplicado a um sistema LTI, a saída do
Leia maisII. Funções de uma única variável
II. Funções de uma única variável 1 II.1. Conceitos básicos A otimização de de funções de de uma única variável consiste no no tipo mais elementar de de otimização. Importância: Tipo de problema encontrado
Leia maisCálculo Numérico / Métodos Numéricos. Solução de equações polinomiais Briot-Ruffini-Horner
Cálculo Numérico / Métodos Numéricos Solução de equações polinomiais Briot-Ruffini-Horner Equações Polinomiais p = x + + a ( x) ao + a1 n x n Com a i R, i = 0,1,, n e a n 0 para garantir que o polinômio
Leia maisCapítulo 2- Funções. Dado dois conjuntos não vazios e e uma lei que associa a cada elemento de um único elemento de, dizemos que é uma função de em.
Conceitos Capítulo 2- Funções O termo função foi primeiramente usado para denotar a dependência entre uma quantidade e outra. A função é usualmente denotada por uma única letra,,,... Definição: Dado dois
Leia mais3. 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
Leia mais3- O MÉTODO SIMPLEX Introdução e fundamentos teóricos para o Método Simplex
3- O MÉTODO SIMPLEX 3.1- Introdução O Método Simplex é uma técnica utilizada para se determinar, numericamente, a solução ótima de um modelo de Programação Linear. Será desenvolvido inicialmente para Problemas
Leia maisQuestões de Computação Científica no contexto da Otimização
Questões de Computação Científica no contexto da Otimização Universidade Federal do Espírito Santo Mestrado em Informática Abril de 2009 Sumário Introdução 1 Introdução 2 3 Sumário Introdução 1 Introdução
Leia maisPESQUISA OPERACIONAL Definições e Teoremas Básicos. Professor Volmir Wilhelm Professora Mariana Kleina
PESQUISA OPERACIONAL Definições e Teoremas ásicos Professor Volmir Wilhelm Professora Mariana Kleina Conceitos Solução Viável Solução Não Viável Região Viável Solução ásica Solução ásica Viável Solução
Leia maisPrimeiro Exercício programa: Como o Google ordena páginas. MAP-2121 para EPUSP
Primeiro Exercício programa: Como o Google ordena páginas MAP-2121 para EPUSP 1 Instruções gerais Os exercícios computacionais pedidos na disciplina Cálculo Numérico têm por objetivo fundamental familiarizar
Leia maisG3 de Álgebra Linear I
G3 de Álgebra Linear I 11.1 Gabarito 1) Seja A : R 3 R 3 uma transformação linear cuja matriz na base canônica é 4 [A] = 4. 4 (a) Determine todos os autovalores de A. (b) Determine, se possível, uma forma
Leia maisAula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo
Aula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464 / PCC174 Departamento de Computação - UFOP Breve Revisão Programação Linear vs Programação Inteira Modelagem
Leia maisDETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB
DETERMINAÇÃO DE FUNÇÕES DE TRANSFERÊNCIA DE PROCESSOS QUÍMICOS ATRAVÉS DO MÉTODO DE EVOLUÇÃO DIFERENCIAL UTILIZANDO O SCILAB A. H. R. REZENDE 1, D. L. SOUZA 1 1 Universidade Federal do Triângulo Mineiro,
Leia maisUniversidade Federal de Alagoas Instituto de Matemática. Geometria. Prof. Thales Vieira
Universidade Federal de Alagoas Instituto de Matemática Geometria Prof. Thales Vieira 2014 Geometria Euclidiana Espaço R n R n = {(x 1,...,x n ); x i 2 R} Operações entre elementos de R n Soma: (x 1,x
Leia maisComo resolver o QFEMUP usando otimização
Como resolver o QFEMUP usando otimização Marina Andretta ICMC-USP 2 de agosto de 2016 Baseado no artigo M. Andretta, E. G. Birgin and M. Raydan, An inner-outer nonlinear programming approach for constrained
Leia maisModelos de planeamento e gestão de recursos hídricos. 19 de Novembro
Modelos de planeamento e gestão de recursos hídricos 19 de Novembro Metodologias de análise Sistema real vs sistema simplificado Modelação Matemática; Física; Análise de sistemas: Simulação; Optimização:
Leia mais2 - Modelos em Controlo por Computador
Controlo Óptimo e Adaptativo 2-Modelos em Controlo por Computador 2 - Modelos em Controlo por Computador Objectivo: Introduir a classe de modelos digitais que são empregues nesta disciplina para o projecto
Leia maisCapítulo 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
Leia maisPlanejamento de Rotas Parte I. SSC5955 Slides adaptados de Masahiro Ono - MIT
Planejamento de Rotas Parte I SSC5955 Slides adaptados de Masahiro Ono - MIT Sumário Problema de Planejamento de Rotas Kinodynamic path planning Abordagem para Planejamento de Rota Programação Linear (PL)
Leia maisThiago Christiano Silva
Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização
Leia maisProblema do Caminho Mínimo
Departamento de Engenharia de Produção UFPR 63 Problema do Caminho Mínimo O problema do caminho mínimo ou caminho mais curto, shortest path problem, consiste em encontrar o melhor caminho entre dois nós.
Leia maisExercício: Identifique e faça um esboço do conjunto solução da. 3x xy + y 2 + 2x 2 3y = 0
Motivação Exercício: Identifique e faça um esboço do conjunto solução da equação 3x 2 + 2 3xy + y 2 + 2x 2 3y = 0 Motivação Exercício: Identifique e faça um esboço do conjunto solução da equação 3x 2 +
Leia maisConceitos e Teoremas. Tecnologia da Decisão I TP065. Profª Mariana
Conceitos e Teoremas Tecnologia da Decisão I TP Profª Mariana Restrições de um PL: D= = -=J G= =I =H E=- / /= / /=A 9/ =C . ma Z s.a c a a m c a n n a mn n n n n b b m a A am a n a mn b b b m c c c n n
Leia maisUma Abordagem direta para o Problema de Controle Ótimo de Pragas
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Uma Abordagem direta para o Problema de Controle Ótimo
Leia maisAulas 6 / 05 de setembro
Gabriel Coutinho DCC5 - Pesquisa Operacional - 7. Simplex Ei-lo. Aulas 6 / 5 de setembro Método Simplex Input: Uma PL e uma base viável de colunas B. Output: Uma solução ótima, ou um certificado de que
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisSISTEMAS LINEARES PROF. EDÉZIO
SOLUÇÕES NUMÉRICAS DE SISTEMAS LINEARES PROF. EDÉZIO Considere o sistema de n equações e n incógnitas: onde E : a x + a x +... + a n x n = b E : a x + a x +... + a n x n = b. =. () E n : a n x + a n x
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 04 - sistemas lineares Antonio Oliveira Ricardo Marroquim 1 / 32 laboratório de processamento de imagens tópicos decomposições (álgebra linear) decomposição QR decomposição
Leia maisAprendizado por Reforço
Aprendizado por Reforço SCC5865-Robótica Roseli A F Romero Introdução O modelo padrão de aprendizado por reforço Aprendizado por Reforço Formalmente, o modelo consiste de: Um conjunto discreto de estados
Leia maisAlgoritmos Exatos 3.1. Relaxação Lagrangeana
3 Algoritmos Exatos Nesse capítulo, apresenta-se alguns algoritmos exatos para o CVRP que são baseados em diferentes técnicas e formulações para a obtenção de limites inferiores para a solução ótima do
Leia maisUniversidade Federal de Santa Maria Centro de Ciências Naturais e Exatas Departamento de Física Laboratório de Teoria da Matéria Condensada
Universidade Federal de Santa Maria Centro de Ciências Naturais e Exatas Departamento de Física Laboratório de Teoria da Matéria Condensada Introdução à teoria de otimização Tiago de Souza Farias 23 de
Leia maisDados no R n. Dados em altas dimensões 29/03/2017
Dados no R n Dados em altas dimensões Alguns dados são apresentados como vetores em R n Alguns dados não são apresentados como vetores mas podem ser representados como vetores (e.g. Texto) Texto Dados
Leia maisFunções Discriminantes Lineares
Funções Discriminantes Lineares Revisão Cap. 2 Classificação Bayesiana: Fdp s conhecidas, w ) P e x w ) ( i p. ( i Cap. 3 Formas das fdp s conhecidas, idem No. de parâmetros. a) Máxima verossimilhança:
Leia maisANÁLISE DE ALGORITMOS (INF 1721)
PUC-Rio Departamento de Informática Prof. Marcus Vinicius S. Poggi de Aragão (3WA) Horário: 2as. e 4as. 9-11hs (3WA) 3 de dezembro de 2016 Período: 2016.2 ANÁLISE DE ALGORITMOS (INF 1721) 3 a Lista de
Leia maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia mais04/04/ :31. Sumário. 2.1 Sistemas LIT de Tempo Discreto 2.2 Sistemas LIT de Tempo Contínuo 2.3 Propriedades dos Sistemas LIT
Sumário 2.1 Sistemas LIT de Tempo Discreto 2.2 Sistemas LIT de Tempo Contínuo 2.3 Propriedades dos Sistemas LIT slide 1 2 Introdução Muitos processos físicos podem ser modelados como sistemas lineares
Leia maisOtimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio
Leia maisÁrvore Binária de Busca Ótima
MAC 5710 - Estruturas de Dados - 2008 Referência bibliográfica Os slides sobre este assunto são parcialmente baseados nas seções sobre árvore binária de busca ótima do capítulo 4 do livro N. Wirth. Algorithms
Leia maisIntrodução ao controle preditivo baseado em modelo.
Introdução ao controle preditivo baseado em modelo. ENGM11: Tópicos Especiais em Eng. Elétrica Departamento de Engenharia Elétrica - DEE Universidade Federal da Bahia - UFBA 22 de agosto de 2018 Prof.
Leia maisPontos extremos, vértices e soluções básicas viáveis
Pontos extremos, vértices e soluções básicas viáveis 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
Leia maisOtimização Multiobjetivo
Otimização Multiobjetivo Otimização Restrita Prof. Frederico Gadelha Guimarães Lucas S. Batista Eduardo G. Carrano Universidade Federal de Minas Gerais Programa de Pós-Graduação em Engenharia Elétrica,
Leia maisSimplex. Investigação Operacional José António Oliveira Simplex
18 Considere um problema de maximização de lucro relacionado com duas actividades e três recursos. Na tabela seguinte são dados os consumos unitários de cada recurso (A, B e C) por actividade (1 e 2),
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisComparação entre Algoritmos para a Solução do Controle Just-in-Time em Sistemas Max-Plus Lineares
1 Comparação entre Algoritmos para a Solução do Controle Just-in-Time em Sistemas Max-Plus Lineares Guilherme Gomes da Silva Universidade Federal de Minas Gerais - Programa de Pós-Graduação em Engenharia
Leia maisExemplo: Maximização de lucros em uma chocolateria que produz os seguintes produtos: (1) Chocolate Pyramide (2) Chocolate Pyramide Nuit
Universidade Tecnológica Federal do Paraná Professor Murilo V. G. da Silva Notas de aula Estrutura de Dados 2 (Aula 09) Conteúdos da Aula: [DPV06 7.1, 7.2, 7.3] [Observação: Estas notas de aula são apenas
Leia maisCálculo Numérico BCC760
Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita
Leia maisModelos matemáticos para resolução de problemas de afectação de operações a recursos produtivos
Métodos de Análise de Sistemas Produtivos Modelos matemáticos para resolução de problemas de afectação de operações a recursos produtivos 17 de Maio de 2002 Alunos: Álvaro Magalhães Bernardo Ribeiro João
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1. Introdução Os sistemas de potência interligados vêm adquirindo maior tamanho e complexidade, aumentando a dependência de sistemas de controle tanto em operação
Leia maisRevisão - Controlabilidade e observabilidade - SLIT.
Revisão - Controlabilidade e observabilidade - SLIT. ENGC65: Sistemas de Controle III Departamento de Engenharia Elétrica - DEE Universidade Federal da Bahia - UFBA 12 de maio de 2014 Prof. Tito Luís Maia
Leia maisMedida do Tempo de Execução de um Programa. David Menotti Algoritmos e Estruturas de Dados II DInf UFPR
Medida do Tempo de Execução de um Programa David Menotti Algoritmos e Estruturas de Dados II DInf UFPR Classes de Comportamento Assintótico Se f é uma função de complexidade para um algoritmo F, então
Leia maisA primeira coisa a fazer é saber quais são as equações das curvas quando elas já se encontram na melhor
Identificação de Cônicas Uma equação do segundo grau ax + bxy + cy + dx + ey + f = 0 define de maneira implícita uma curva no plano xy: o conjunto dos pontos (x, y) que satisfazem a equação. Por exemplo,
Leia maisSistemas Dinâmicos Lineares
Sistemas Dinâmicos Lineares 1. Descrição de sistemas dinâmicos 1.1. Sinais? 1.2. Sistemas? 1.3. Espaço de estados. Resposta do sistema dinâmico 2. Estabilidade de sistemas dinâmicos 2.1. Análise de estabilidade
Leia maisConsidere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia mais( 5,2 ). Quantas soluções existem?
Escola Secundária com º ciclo D Dinis 0º Ano de Matemática A Funções e Gráficos Generalidades Funções polinomiais Função módulo Considere as funções da família y = a(x b) Tarefa nº De que tipo de funções
Leia mais