Planejamento de Anéis Unidirecionais em GRASP
|
|
- Cláudio Palma Bugalho
- 6 Há anos
- Visualizações:
Transcrição
1 TEMA Tend. Mat. Apl. Comput., 5, No. 2 (2004), c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Planejamento de Anéis Unidirecionais em Telecomunicações: uma Aplicação do Método GRASP P.R.A. LOPES 1, IM-NCE-UFRJ, Cx.P , Rio de Janeiro, RJ, Brasil. M. FAMPA 2, IM-COPPE-UFRJ, Cx.P , Rio de Janeiro, RJ, Brasil. S. BINATO 3, PSR Consultoria, Rua Voluntários da Pátria 45/1307, Rio de Janeiro, RJ, Brasil. Resumo. É grande o número de problemas de otimização de origem no setor de telecomunicações. Neste trabalho iremos otimizar um problema de alocação de equipamentos que visa satisfazer demandas a um custo mínimo usando anéis unidirecionais, equipamentos Add Drop Mutiplexer (ADM) em uma rede de telecomunicações. Para resolução deste problema consideraremos a metaheuristica GRASP. 1. Introdução Por Telecomunicações entende-se um conjunto de dispositivos e técnicas para a transmissão de informações instantâneas a longa distância. Essa transmissão pode ser de voz, sinais gráficos, dados, imagens ou sinais de televisão. Todos eles têm os mesmos princípios fundamentais, mas diferem na forma de manipular as informações e nos meios utilizados para transmiti-las. Problemas de otimização combinatória são abundantes na indústria de telecomunicações. Nestes problemas, dado um conjunto finito de soluções viáveis X e uma função real f : X R, procuramos uma solução x X onde f(x ) f(x), x X. Teoricamente é possível encontrar uma solução ótima para um problema de otimização combinatória utilizando enumeração, porém na prática isto em geral se torna inviável, pois o número de possíveis soluções cresce exponencialmente com o tamanho do problema. Grande parte dos problemas de otimização combinatória são intratáveis por natureza ou são grandes o suficiente para tornar inviável o uso de algoritmos exa- 1 patricia@posgrad.nce.ufrj.br 2 orientadora, fampa@cos.ufrj.br 3 co-orientador, silvio@binato.com.br
2 228 Lopes, Fampa e Binato tos. Nestes casos, métodos heurísticos são usualmente empregados para achar boas soluções mas não necessariamente garantem a solução ótima. Muitos trabalhos ligados ao planejamento de redes de telecomunicação foram desenvolvidos nas últimas cinco décadas, os quais diferem entre si por suas características e técnicas de resolução. Podemos citar o artigo [4], o qual descreve quatro temas diferentes e estes utilizam a meta-heurística GRASP. Em particular tratase o problema de planejamento de uma rede SONET, que utiliza um modelo de programação inteira para um problema de planejamento de rede, uma abordagem heurística usada para encontrar soluções aproximadas do modelo inteiro e um problema pequeno é usado para ilustrar o procedimento. Podemos citar também o artigo [6] que faz uso da técnica de geração de coluna e de uma heurística que utiliza basicamente os conceitos de ciclos e anéis para resolver o problema de dimensionamento da rede. Neste trabalho propomos a meta-heurística GRASP para resolver o problema de planejamento da expansão de uma rede telecomunicações usando anéis unidirecionais (PAURT). Este problema consiste em determinar onde devem ser instalados equipamentos de transmissão de forma que seja atendida toda a demanda com custo mínimo. Apresentamos um novo procedimento heurístico que consiste na utilização de uma heurística em dois níveis, onde em um primeiro nível seleciona-se um elemento que é utilizado no segundo nível para a geração da solução propriamente dita alocação dos equipamentos de transmissão de dados nos nós da rede de telecomunicação para formação dos anéis unidirecionais e, conseqüentemente, atendimento das demandas de transmissão de dados. 2. GRASP, conceitos básicos A meta-heurística é uma abordagem multi-start iterativa [2], onde cada iteração GRASP [5] é composta de duas fases: construção e busca local. A melhor solução achada em todas as iterações é exibida no resultado final. Ilustramos o pseudo código GRASP na Figura 1, onde MaxIter é o número máximo de iterações GRASP e Sem é a semente inicial para o gerador de números pseudo aleatórios. Em cada iteração, utiliza-se uma função gulosa característica do problema, que mede o benefício de selecionar cada elemento e constroi-se uma lista ordenada com todos os elementos que podem ser adicionados à solução, denominada Lista Restrita de Candidatos (RCL). Para diversos problemas, existem mais de uma função gulosa, portanto, a escolha adequada desta função é muito importante tendo em vista que os resultados do GRASP são extremamente influenciados por esta escolha. A heurística é considerada adaptativa, pois os benefícios associados a cada elemento são atualizados em cada iteração da fase de construção para refletir as mudanças trazidas pela seleção do elemento anterior. Este componente é responsável pela fuga dos ótimos locais, uma vez que diferentes RCLs são geradas em cada passo da fase de construção do GRASP. O componente probabilístico do GRASP é caracterizado pela escolha aleatória
3 Planejamento de Anéis Unidirecionais em Telecomunicações 229 Procedimento GRASP(MaxIter, Sem) 1 Leia Dados de Entrada (); 2 Para k = 1,..., MaxIter faça 3 ˆx Construç~ao Aleatória (Semente); 4 ˆx Busca Local(ˆx); 5 x Atualiza Soluç~ao (ˆx); 6 Fimfaça; 7 retorna x Fim GRASP; Figura 1: GRASP pseudo código. de um dos candidatos da RCL, não necessariamente o melhor candidato, diferentemente de um método puramente guloso, na qual o melhor elemento é incluído na solução. Observa-se que a qualidade média da solução depende da qualidade dos membros da RCL e que a diversidade da fase de construção depende diretamente da cardinalidade da mesma. A RCL também é responsável pela fuga dos ótimos locais, pois dependendo da escolha aleatória, elementos diferentes serão incluídos na solução. Para controlar a qualidade dos elementos da RCL, considere h min e h max, respectivamente, o menor e o maior valores da função gulosa na fase de construção e α assumindo valores entre zero e um. A RCL é definida em função do pârametro α, compreendendo todos aqueles elementos que ainda não fazem parte da solução, cujo impacto no valor da função objetivo esteja no intervalo [h min, α(h max h min ) + h min ]. Observa-se que para um problema de minimização α = 0 implica em uma escolha puramente gulosa enquanto α = 1, implica em uma escolha aleatória, isto é, para α = 1, a RCL contém todos os elementos possíveis. Podemos concluir que o ajuste de α é um dos principais parâmetros a serem sintonizados no GRASP e este pode ser fixo, aleatório ou auto-ajustável (reativo)[3]. Na fase de construção do GRASP, cada elemento da RCL tem, em princípio, a mesma probabilidade de ser selecionado. Entretanto, toda a distribuição de probabilidade pode ser usada atribuindo uma maior probabilidade para seleção de determinados candidatos. Uma maneira de definir uma família de distribuições de probabilidade foi proposta por Bresina [1]. Na sua proposta os elementos candidatos são ordenados de acordo com o valor que lhe é atribuido pela função gulosa e uma função tendência bias(r) é associada ao r-ésimo elemento desta classificação. Diversas funções tendência são introduzidas, como logaritmica (bias(r) = 1/log(r + 1)), linear (bias(r) = 1/r), polinomial (bias(r) = 1/r n ), exponencial (bias(r) = 1/e r ), aleatória (bias(r) = 1). Uma vez que estes valores foram avaliados para todos os elementos da RCL, a probabilidade de selecionar o elemento σ é p(σ) = bias(r(σ))/ σ RCL bias(r(σ)). A avaliação da função tendência pode ser usada para restringir os elementos que pertencerão a RCL. Observe que o GRASP padrão utiliza uma função tendência aleatória. A fase de busca local da solução fornecida pela fase da construção, usa um
4 230 Lopes, Fampa e Binato procedimento de enumeração e uma estrutura da vizinhança, onde toda a vizinhança da solução atual é explorada. Se uma solução melhor é visitada, o procedimento de busca local toma esta como a nova solução do problema. O procedimento de busca local termina quando nenhuma solução melhor é encontrada dentro da vizinhança da solução atual. Isto garante que a solução atual é um mínimo local dentro da estrutura de vizinhança usada. 3. O Problema de Planejamento de Anéis Unidirecionais em Redes de Telecomunicação Consideraremos neste trabalho uma rede de telecomunicação que se distribui em cidades, centros ou regiões. Para cada par de pontos i e j desta rede, define-se um ou mais pacotes de dados d ij, que deverão ser transmitidos de i para j. A transmissão destes dados na rede pode ser implementada através de uma arquitetura de anel, isto é, procuramos definir todos os subconjuntos de nós que se interligam por fibra ótica que chamaremos de ciclo suporte [7]. Estes atendem a um certo número de dados, onde a união dos subconjuntos atenderá a toda a demanda da rede. Uma vez identificados os ciclos suportes, buscamos construir os anéis, isto é, instalar os equipamentos de transmissão. A transmissão de dados de um ponto i para um ponto j da rede será então realizada através de um destes anéis, o qual deverá ter equipamentos de transmissão de dados instalados tanto no ponto que envia os dados, como no ponto que os recebe. Observamos que cada pacote de dados deverá ser inteiramente transmitido em um mesmo anel, não podendo ser subdividido. Podemos ter várias demandas relacionadas a um mesmo par de nós e distribuí-las em um ou mais anéis. Para tratar casos como este, consideramos pontos virtuais na rede. Por exemplo, se existem duas demandas entre os nós i e j, consideramos uma delas entre os nós i e j e a outra entre os nós virtuais i e j, que são na realidade cópias de i e j. Contudo, um nó pode fazer parte de mais de um anel e, conseqüentemente, ter nele equipamentos diferentes, porém estes não se interligam, isto é, em um mesmo anel, todos os equipamentos de transmissão instalados deverão ser do mesmo tipo. Utilizaremos o equipamento de transmissão ADD-DROP Multiplexer (ADM). Este possui tipo, capacidade máxima de transmissão e um custo. A capacidade máxima de transmissão do equipamento utilizado definirá a capacidade de transmissão do anel, a qual independe portanto, do número de equipamentos utilizados. Por outro lado, o custo do anel é dependente do número de equipamentos que foi nele instalado e será dado pela soma dos custos destes equipamentos. Utilizaremos anéis unidirecionais os quais são compostos pelo o tráfego normal que é transmitido em uma direção em uma fibra e o tráfego de proteção que é transmitido no sentido oposto em outra fibra, garantindo assim que mesmo que haja um rompimento ao longo do caminho, os dados cheguem ao seu destino. Apresentaremos um modelo de programação linear inteira mista para o problema de planejamento de anéis unidirecionais em rede de telecomunicações. Representaremos no modelo, a rede de transmissão de dados por um grafo G(V, E), onde o conjunto de vértices V, representa os pontos da rede de transmissão (cidades,
5 Planejamento de Anéis Unidirecionais em Telecomunicações 231 Figura 2: Anel Unidirecional. centros, etc.) e o conjunto de arcos E representa as ligações entre os pontos. No modelo apresentado a seguir (Problema P.P), consideramos todos os ciclos contidos no grafo G. Eles representam todas as possíveis estruturas para formação dos anéis por onde os dados serão transmitidos na rede considerada. Tomemos C 1,..., C L todos os ciclos do grafo, C = {1, 2,..., L} o conjunto dos índices correspondentes e N l o conjunto de nós que pertencem ao ciclo C l, onde l C. Definimos p k como o preço de cada equipamento utilizado no anel k, M uma constante com valor suficientemente grande, d ij a demanda que vai do nó i para o nó j, cap k a capacidade do anel k onde a capacidade do anel k é igual a capacidade do equipamento nele utilizado, n o número de vértices do grafo G, NA um limite superior para o número de anéis do problema. A variável binária e ikl assumirá valor um se exite equipamento no nó i do anel k construido no ciclo l e zero caso contrário. A variável y ijkl será um se d ij é atendida pelo anel k construido no ciclo l e zero caso contrário. A função objetivo representa o gasto total com equipamentos considerando todos os nós, todos os anéis e todos os ciclos. A primeira restrição, estabelece que a demanda total atendida no anel k construido no ciclo l, não deve ser maior que sua capacidade. A segunda restrição estabelece que não haverá fluxo partindo de i, no anel k construido no ciclo l, se não houver equipamento nele instalado, ou seja, se e ikl = 0. Observe que M deve ser grande o suficiente para tornar esta restrição redundante quando e ikl = 1. A terceira restrição, estabelece que não haverá fluxo chegando no nó j, no anel k construido no ciclo l, se não houver equipamento nele instalado. A quarta restrição, estabelece que a demanda d ij, só será atendida no anel k construido no ciclo l, se existir um equipamento no nó i e no outro nó j neste anel. A quinta restrição estabelece que a demanda d ij só será atendida por um único anel construido em um dos ciclos.
6 232 Lopes, Fampa e Binato (P.P) Minimize l C sujeito a: i,j N l,i j j N l \i i N l \j i N l d ij y ijkl cap k, d ij y ijkl Me ikl, d ij y ijkl Me jkl, NA k=1 p k e ikl k = 1,..., NA, l C k = 1,..., NA, i N l, l C k = 1,..., NA, j N l, l C y ijkl e ikl + e jkl 0, i, j N l i j, k = 1,..., NA, l C 2 NA d ij y ijkl = d ij, i, j N i j, l C k=1 e ikl, y ijkl {0, 1}, i, j N l i j, k = 1,..., NA, l C Observe que o número dos ciclos em um dado grafo cresce exponencialmente com seu número de nós e o número de variáveis binárias pode se tornar muito grande. Em exemplos reais, este número é freqüentemente muito grande. Como exemplo, consideremos a rede (G) ilustrada na Figura 3, onde existem três ciclos (l 1, l 2 e l 3 ) l l l 3 3 Figura 3: Grafo e Ciclo. Consideremos 2 tipos de ADM s e três demandas que deverão ser atendidas. Então o número de variáveis binárias será 675, e o número de restrições será 605. Se tomarmos 5 ADM s, o número de variáveis binárias passará para 1125 e o número de restrições será 995. Concluimos que a utilização de um método de otimização combinatória clássico, como por exemplo branch and bound, tornaria muito difícil a resolução de problemas reais, levando-nos a optar por uma metaheurística que nos forneça uma solução próxima a exata porém com um tempo computacional razoável.
7 Planejamento de Anéis Unidirecionais em Telecomunicações 233 Procedimento GRASP PAURT (MaxIter, Sem1,Sem2) 1 Leia Dados de Entrada (); 2 Para k = 1,..., MaxIter faça 3 Enquanto D 0 faça 4 Cˆl Construç~aoCiclo(Sem1); 5 ˆx Construç~aoAnéis(Sem2, Cˆl); 6 Atualiza D; 7 Fim enquanto 8 x BuscaLocal(ˆx); 9 x Atualiza Soluç~ao( x); 10 Fim para; 11 retorna x Fim GRASP PAURT; Figura 4: Pseudo código do GRASP para solução de problemas de planejamento de anéis unidirecionais em redes de telecomunicações Meta-heurística GRASP PAURT Apresentaremos um resumo dos procedimentos de construção e de busca local (GRASP) implementados para obter-se uma solução para o problema PAURT. Uma solução viável para o problema PAURT consiste basicamente da construção de anéis sobre ciclos de suporte do grafo que representa a rede de transmissão dos dados, para que todas as demandas sejam atendidas. A figura 4 ilustra os passos principais do GRASP para solução de problema de planejamento de anéis unidirecionais em rede de telecomunicações, onde a fase de construção foi dividida em um procedimento construtivo de dois níveis (ConstruçãoCiclo e ConstruçãoAnéis). O procedimento Leia Dados de Entrada consiste em ler os dados necessários para que seja possível executarmos o GRASP PAURT. Estes dados, em essência, são o número de nós (n) da rede, o grafo G = (N, E) que representa a rede de telecomunicações, o conjunto de demandas que deverá ser atendida entre cada par de pontos da rede, o conjunto de ciclos de suporte do grafo G, gerados previamente, os tipos de equipamentos de transmissão disponíveis, suas capacidades máximas de transmissão e seus custos, o número de iterações do GRASP PAURT (MaxIter), as sementes para o gerador de números aleatórios (Sem1, Sem2) utilizadas na fase de construção, o parâmetro α (α 1, α 2 ) que determina o tamanho da RCL e o tipo da função tendência utilizada para determinar as chances de cada elemento da RCL. A próxima etapa, já interna ao loop de iterações da heurística GRASP, é o procedimento construtivo para geração de soluções viáveis para o problema PAURT. Nossa proposta de heurística consiste de um procedimento construtivo dividido em dois níveis, onde no primeiro nível faz-se a seleção de um ciclo de suporte que será utilizado, no segundo nível do procedimento construtivo, para a geração dos anéis, responsáveis pela transmissão dos dados pela rede de telecomunicações. O procedimento construtivo a dois níveis termina somente quando todas as demandas forem atendidas.
8 234 Lopes, Fampa e Binato O primeiro nível da heurística construtiva (ConstruçãoCiclo) é responsável pela seleção de um ciclo de suporte. A escolha natural para o ciclo do grafo da rede de transmissão é selecionar o ciclo que suporta o maior número de demandas, ou seja, o ciclo que contém o maior número de nós com demandas. Esta escolha é dita a natural pois ela permite a seleção de anéis com maior capacidade, e menor custo unitário, no segundo nível da heurística construtiva. Logo, escolher ciclos do grafo que suportam o maior número de demandas ainda não atendidas tende a minimizar o custo final de expansão. Esta medida, o número de demandas não atendidas pertencentes a cada um dos ciclos de suportes, será utilizada como a função gulosa (h 1 (.)) do procedimento construtivo do primeiro nível da fase de construção do GRASP PAURT. A lista restrita de candidatos (RCL) do primeiro nível é definida a partir do parâmetro α 1 (0 α 1 1) e dos valores máximos e mínimos, respectivamente h max e h min, da função gulosa, ou seja, pertencem a lista restrita de candidatos todos os ciclos cujo número de demandas em seus nós satisfaz h max h(c l ) h max α 1 (h max h min ). A seleção do ciclo de suporte é determinística quando assumimos α 1 = 0, isto é, garantimos que a RCL conterá somente o ciclo que atende o maior número de demandas. Por outro lado, fazendo α 1 = 1 obtemos uma lista restrita de candidatos com todos os elementos possíveis, isto é, todos os ciclos que suportam algum par de demandas por transmissão de dados, então diz-se que esta escolha para o parâmetro α 1 torna o procedimento construtivo de primeiro nível puramente aleatório. O próximo nível da fase de construção é o procedimento ConstruçãoAnéis, cujo objetivo é a alocação de equipamentos de transmissão de dados de telecomunicações (ADM s) para a formação de anéis sobre o ciclo de suporte Cˆl selecionado no primeiro nível da heurística construtiva. Observe que, ao fixarmos o ciclo Cˆl, o problema de planejamento de anéis unidirecionais em redes de telecomunicações, problema P.P, sofrerá basicamente três modificações: a primeira consiste em modificar a quinto conjunto de restrições para relaxar a garantia de atendimento a todas as demandas por transmissão de dados dado que nem todas as demandas pertencem ao ciclo selecionado. A segunda alteração do modelo reformula a garantia de atendimento às demandas para um incentivo ao atendidas dessas considerado na função objetivo do problema modificado. A última modificação feita no problema P.P consiste em fixar o valor de cada uma das variáveis binárias e ikˆl = [0, 1], que indicam os nós onde são instalados equipamentos de transmissão de dados. O problema modificado é representado por P.Sim e sua solução é uma avaliação do impacto da instalação de equipamentos de transmissão em um (ou um par) de nós da rede de telecomunicações. A solução ótima deste problema modificado, quando faz-se e 1kˆl = e 2kˆl = 1 e e 1kˆl = 0, i / {0, 1} representa uma avaliação do impacto da instalação de equipamentos do tipo k nos nós 1 e 2. Resolvendo-se este problema para cada equipamento, cada par de nós, temos um conjunto de medidas que avaliam o impacto da instalação dos equipamentos de transmissão de dados em cada um dos nós da rede de telecomunicações. Este conjunto de medidas é utilizado como a função gulosa (h 2 (.)) do procedimento construtivo de geração dos anéis (ou segundo nível da fase
9 Planejamento de Anéis Unidirecionais em Telecomunicações 235 de construção). (P. Simp) Minimize sujeito a: i,j N ˆl,i j j N ˆl\i i N ˆl\j i N ˆl d ij y ijkˆl cap k, d ij y ijkˆl Me ikˆl, d ij y ijkˆl Me jkˆl, NA k=1 NA p k e ikˆl w k k = 1,..., NA, n n i=1 j=1 k = 1,..., NA, i N ˆl, k = 1,..., NA, j N ˆl, y ijkˆl d ij, y ijkˆl e ikˆl +e jkˆl 2 0, i, j N ˆl i j, k = 1,..., NA, NA d ij y ijkˆl d ij, i, j N i j, k=1 e ikˆl, y ijkˆl {0, 1}, i, j N ˆl i j, k = 1,..., NA. Define-se a lista restrita de candidatos (RCL) do segundo nível do procedimento construtivo em função do parâmetro α 2 e dos valores máximos e mínimos, resp. h max e h min, da função gulosa para este procedimento valor da solução do problema P.Simp com todos os equipamentos alocados nos nós (ou pares de nós) cujo valor da função gulosa, h 2 (.) satisfazer h min h eikˆl e jkˆl h min α 2 (h min h max ). Da mesma forma que no procedimento do primeiro nível, fazendo α 2 = 0 torna a alocação dos equipamentos nos nós determinística, ou seja, o equipamento que alocado a um (ou um par de nós) atende a maior quantidade de demanda será selecionado, enquando que fazendo α 2 = 1 esta seleção será totalmente aleatória. O procedimento construtivo de segundo nível deve alocar novos equipamentos de transmissão de dados nos nós até que todas as demandas do ciclo Cˆl sejam atendidas, o valor da solução de P.Simp. é menor que zero sempre que alguma demanda for atendida. Quando todas as demandas do ciclo Cˆl forem atendidas, deve-se escolher outro ciclo de suporte fazendo-se mais uma iteração do procedimento de primeiro nível, possibilitando que novas alocações (equipamentos em nós) sejam realizadas. Dada a maneira como foi construído, podemos concluir que o procedimento de construção (a dois níveis) é uma heurística gulosa para a obtenção de soluções viáveis para o problema de planejamento de anéis unidirecionais em redes de telecomunicações. Dada uma solução víável para um problema combinatório, GRASP advoga a realização de uma fase de aprimoramento da solução executando um procedimento de busca local em entorno da solução obtida anteriormente. No caso do problema PAURT, o procedimento de Busca Local tenta reduzir o número de anéis da rede de telecomunicações alocando as demandas desses em outros anéis com capacidade ociosa. A eliminação de um anel faz com que os equipamentos de transmissão que o caracterizam não sejam mais necessários, reduzindo o custo final da solução e aumentando a eficiência da rede unidirecional instalada.
10 236 Lopes, Fampa e Binato Tabela 1: ADM s. ADM Capacidade Preço (10 6 R$) ADM Mbps 250,00 ADM Mbps 450,00 A busca por melhoramentos da solução corrente inicia tentando alocar as demandas dos anéis de menor eficiência (relação entre a demanda alocada no anel e sua capacidade máxima). Este procedimento enumera todas as possibilidades de troca, de uma demanda em um anel para outro, e pára somente quando qualquer modificação na configuração dos anéis (face a mudanças na alocação das demandas) não leva a melhoramentos da solução, ou seja, garante-se que a solução corrente é um mínimo local. 4. Resultados Numéricos Com o objetivo de comparar os resultados entre a resolução de um método exato (Z ) e o GRASP PAURT ( Z), consideramos um problema-teste utilizando o grafo da Figura 5, com 5 nós, 7 arestas, o qual possui 9 ciclos de suporte. Neste exemplo alocaremos as demandas descritas na figura 6, utilizando 2 tipos de equipamentos com seus respectivos preços e capacidades hipotéticos representados na Tabela 1. Obtemos como valor ótimo para o problema P.P, Z = Podemos observar os resultados encontrados pelo GRASP PAURT ( Z), na Tabela 2, utilizando α 1 = 1, função tendência randômica e linear, após 100 iterações. Figura 5: Grafo G Figura 6: Demandas 5. Conclusões Neste trabalho apresentamos um novo procedimento heurístico para a resolução de problemas de planejamento da expansão de redes de telecomunições utilizando anéis
11 Planejamento de Anéis Unidirecionais em Telecomunicações 237 Tabela 2: Problema Teste. Rand ( Z) Lin ( Z) α 2 = 0, α 2 = 0, unidirecionais. Este novo procedimento heurístico consiste na generalização dos conceitos da meta-heurística GRASP para a resolução deste problema. É importante ressaltar neste processo uma contribuição realizada por este trabalho que foi a utilização de uma heurística em dois níveis, onde em um primeiro nível seleciona-se um elemento que é utilizado no segundo nível para a geração da solução propriamente dita alocação dos equipamentos de transmissão de dados (ADMs) nos nós da rede de telecomunicação para formação dos anéis unidirecionais e, conseqüentemente, atendimento das demandas de transmissão de dados. Desenvolvimentos futuros deste trabalho envolvem a implementação de novas funções gulosas, aperfeiçoamentos na fase de busca local, assim como a pesquisa de meta-heurísticas híbridas, como a hibridização de GRASP com Path Relinking por exemplo. Abstract. Combinatorial otimization problems are abundant in telecommunications industry. In this work we will optimize a problem of equipment allocation in order to satisfy demand and to minimize the cost of the network, using unidirectional synchronous rings, equipment Add Drop Mutiplexer (ADM) in telecommunications network. We will use metaheuristica GRASP to solve the problem. Referências [1] J. Bresina, Heuristic-biased stochastic sampling, em Proceedings of the thirteenth national conference on artificial intelligence (AAAI-96), pp American Association for Artificial Intelligence, [2] Lin e Kernighan, Randon multi-start local search, [3] M.G.C. Resende e C.C. Ribeiro, Greedy randomized adaptive search procedure, AT&T Labs Research Technical Report, setembro, [4] M.G.C. Resende, Combinatorial optimization in telecomunications, AT&T Labs Research Technical Report, julho, [5] M.G.C. Resende, Greedy Randomized Adaptive Search Procedure (GRASP), AT &T Labs Research Technical Report, dezembro, [6] N. Maculan, M.M. Passini, J.A.M. Brito e A. Lisser, Column Generation Method for Network Design, Kluwer Academic Publishers, Netherlands, [7] J.L. Szwarcfiter, Grafor e Algoritmos Computacionais, Editora Campus, pp , 1984.
12 238
CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Problemas de otimização
Problemas de otimização Problemas de decisão: Existe uma solução satisfazendo certa propriedade? Resultado: sim ou não Problemas de otimização: Entre todas as soluções satisfazendo determinada propriedade,
Lista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + y s.a x + y x + y 5 b) Max z = x + y s.a x + y 0 x + y 5 c) Max z = x + y s.a x + 9y 6 8 x +
Lista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + 2 y s.a x + y 2 x + y 5 x, y 0, x e y inteiros b) Max z = 2 x + y s.a x + 2y 0 x + y 25 x, y
Problema 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.
NOTAS 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
3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
Tópicos em Métodos Heurísticos META-HEURÍSTICAS
Tópicos em Métodos Heurísticos META-HEURÍSTICAS MÉTODOS HEURÍSTICOS QUE PERMITEM A CONTINUIDADE DAS EXPLORAÇÕES ALÉM DA OTIMALIDADE LOCAL, EM PARTICULAR, SUPERPONDO-SE A HEURÍSTICAS DE BUSCA LOCAL I) SIMULATED
3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
5 VNS com Filtro e Reconexão por Caminhos
5 VNS com Filtro e Reconexão por Caminhos A metaheurística VNS (Variable Neighborhood Search) foi proposta por Mladenović e Hansen [40] e possui como idéia básica a mudança de vizinhanças realizada da
Uma Introdução à Busca Tabu André Gomes
Uma Introdução à Busca Tabu André Gomes Departamento de Ciência da Computação, Instituto de Matemática e Estatística, Universidade de São Paulo, SP, Brasil Novembro de 2009 INTRODUÇÃO Método de Busca Local
Otimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Algoritmos eficientes para o projeto de uma rede de telecomunicações com topologia em anel
V ERMAC-R3 5 o Encontro Regional de Matemática Aplicada e Computacional 19-21 de outubro de 2005 Universidade Potiguar Natal/RN Algoritmos eficientes para o projeto de uma rede de telecomunicações com
Pesquisa Operacional Aplicada à Mineração
Pesquisa Operacional Aplicada à Mineração Módulo de Otimização Parte II-b Prof. Marcone J. F. Souza Prof. Túlio A. M. Toffolo marcone.freitas@yahoo.com.br tulio@toffolo.com.br Departamento de Computação
Fundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 19 ACO - Ant Colony Optimization 2 de 15 Sumário Problema do Caixeiro
UM GRASP PARA O PROBLEMA DE ATRIBUIÇÃO DE LOCALIDADES A ANÉIS SONET
UM GRASP PARA O PROBLEMA DE ATRIBUIÇÃO DE LOCALIDADES A ANÉIS SONET Lucas de Oliveira Bastos Instituto de Computação, Universidade Federal Fluminense Endereço: Rua Passo da Pátria, 156, 24210-240, Niterói
PCC173 - Otimização em Redes
PCC173 - Otimização em Redes Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 31 de maio de 2017 Marco Antonio M. Carvalho
Universidade Federal Fluminense
Universidade Federal Fluminense Um GRASP com Reconexão de Caminhos para a Solução do Problema da Maximização da Diversidade Marcos Ribeiro Quinet de Andrade Niterói, RJ BRASIL Dezembro de 2004 Marcos Ribeiro
CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C Simulated Annealing (2//7). C2 Busca Tabu (22//7). C3 Colônia de Formigas
O PROBLEMA DA ÁRVORE CAPACITADA COM DEMANDAS NÃO- UNITÁRIAS: HEURÍSTICA COM FATOR PESO x CUSTO
O PROBLEMA DA ÁRVORE CAPACITADA COM DEMANDAS NÃO- UNITÁRIAS: HEURÍSTICA COM FATOR PESO x CUSTO Paulo Maurício Laurentys de Almeida * paulomla@gmail.com Lucas Guimarães de Oliveira * lucasgui@gmail.com
CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
PCC104 - Projeto e Análise de Algoritmos
PCC104 - Projeto e Análise de Algoritmos Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 1 de novembro de 2018 Marco Antonio
4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima
METAHEURÍSTICAS METAHEURÍSTICA Encontrar soluções boas ou até mesmo ótima Consiste em aplicar iterativamente uma heurística subordinada (busca local) Tem algum mecanismo para escapar de ótimos locais (vales)
Heurística GRASP para o problema de p-medianas aplicado à localização de concentradores
Heurística GRASP para o problema de p-medianas aplicado à localização de concentradores Heurística GRASP para o problema de p-medianas aplicado à localização de concentradores GRASP heuristic for p-median
HEURÍSTICAS GRASP PARA O PROBLEMA DE ALOCAÇÃO DINÂMICA DE ESPAÇOS
!" #$% # &('*)+'-,.0/ 13204+'658709:'316;0,@?*7BAC4+5D=0/ E-F 70.07HG-70I0,-?-70MN;0,7PO
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START Gustavo Marques Zeferino, Flaviana M. de S. Amorim, Marcone Jamilson Freitas Souza, Moacir F. de F. Filho
Algoritmo Aproximação. Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3
Algoritmo Aproximação Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3 Heurísticas para Problemas NP- Completo Heurística: algoritmo que pode produzir um bom resultado (ou até a solução ótima),
Exemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Tópicos Especiais em Otimização
Tópicos Especiais em Otimização ivo.junior@ufjf.edu.br Juiz de Fora, 05 de Maio de 2016 Introdução Qual a diferença entre inteligência: ARTIFICIAL E COMPUTACIONAL? ARTIFICIAL: É a ciência que tenta compreender
Aula 13: Branch-and-bound
Aula 13: Branch-and-bound Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Modelagem em PI / Problemas Combinatórios
Otimização de horários Seminário. Clarisse Resende 25/01/2013
Otimização de horários Seminário Clarisse Resende 25/01/2013 O problema dos horários consiste numa sequência de atividades de programação, satisfazendo um conjunto de restrições de recursos. Pretende-se
MÉTODOS DE OTIMIZAÇÃO MULTIOBJETIVO
30 CAPÍTULO 3 MÉTODOS DE OTIMIZAÇÃO MULTIOBJETIVO 3.1 CONCEITOS BÁSICOS O problema matemático de otimização multiobjetivo consiste na obtenção de um conjunto de variáveis (solução) que satisfaça algumas
Primeiro 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
Programação Linear M É T O D O S : E S T A T Í S T I C A E M A T E M Á T I C A A P L I C A D A S D e 1 1 d e m a r ç o a 2 9 d e a b r i l d e
Programação Linear A otimização é o processo de encontrar a melhor solução (ou solução ótima) para um problema. Existe um conjunto particular de problemas nos quais é decisivo a aplicação de um procedimento
Otimização em Grafos
Otimização em Grafos Luidi G. Simonetti PESC/COPPE 2017 Luidi Simonetti (PESC) EEL857 2017 1 / 35 Teoria dos Grafos - Relembrando Árvore Um grafo G é uma árvore se é conexo e não possui ciclos (acíclico).
Algoritmo Aproximado. Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3
Algoritmo Aproximado Prof. Anderson Almeida Ferreira [DPV]9.2 [ZIV]9.2.2 e 9.2.3 Heurísticas para Problemas N P- Completo Heurística: algoritmo que pode produzir um bom resultado (ou até a solução ótima),
Uma técnica bastante utilizada na abordagem de problemas NPdifíceis é a utilização de procedimentos heurísticos, como por exemplo
4 Heurísticas O modelo apresentado no Capítulo 3 possibilita uma abordagem exata para a resolução do problema de correspondência inexata de grafos. Esta modelagem permite que um algoritmo de enumeração,
ANÁLISE 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
Aula 19: Lifting e matrizes ideais
Aula 19: Lifting e matrizes ideais Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Branch-and-bound Formulações
Um GRASP Simples e Robusto para o Job Shop Scheduling Problem
Um GRASP Simples e Robusto para o Job Shop Scheduling Problem Dayan de Castro Bissoli Universidade Federal do Espírito Santo (UFES) Av. Fernando Ferrari, 514 Goiabeiras 29075910 Vitória/ES Brasil dcbissoli@inf.ufes.br
3 Decisões de Localização de Instalações
3 Decisões de Localização de Instalações Historicamente, o estudo contemporâneo dos problemas de localização foi iniciado por Alfred Weber, que estudou a localização de uma fábrica com o objetivo de minimizar
APLICAÇÃO DO MÉTODO GRASP NO PROBLEMA DE POSICIONAMENTO DE RADARES DE VIGILÂNCIA
APLICAÇÃO DO MÉTODO GRASP NO PROBLEMA DE POSICIONAMENTO DE RADARES DE VIGILÂNCIA Mônica Maria De Marchi Centro Técnico Aeroespacial (CTA) Instituto de Estudos Avançados (IEAv) Departamento de Informática
Algoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
4 GRASP com Filtro e Reconexão por Caminhos
4 GRASP com Filtro e Reconexão por Caminhos A metaheurística GRASP (Greedy Randomized Adaptive Search Procedures) foi proposta por Feo e Resende [17], onde cada iteração do algoritmo é composta por duas
Marina 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
Planejamento para fundições: uma aplicação do método das K-melhores mochilas. 1 Introdução
Planejamento para fundições: uma aplicação do método das K-melhores mochilas Murilo S. Pinheiro, Franklina M.B. Toledo, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, Av.
Universidade de Aveiro Departamento de Matemática. gestão óptima da diversidade.
Universidade de Aveiro Departamento de Matemática 2008 António Ferreira Dias O problema da p-mediana aplicado ao problema da gestão óptima da diversidade. Universidade de Aveiro Departamento de Matemática
Escalonamento usando múltiplos períodos
3 Escalonamento usando múltiplos períodos O escalonamento usando múltiplos períodos consiste em dividir a carga total em fragmentos de carga e enviá-las a cada processador mais de uma vez, segundo períodos.
Aula 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
METAHEURÍSTICAS: 1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO
1 SIMULATED ANNEALING (S.A) 1.1 INTRODUÇÃO METAHEURÍSTICAS: É uma das primeiras metaheurísticas que foi utilizada com muito sucesso nos problemas complexos de pesquisa operacional. O S.A surgiu do campo
Minicurso Inteligência Artificial Aplicada a Sistemas Elétricos. Niterói, 12 de Maio de 2018
Minicurso Inteligência Artificial Aplicada a Sistemas Elétricos Niterói, 12 de Maio de 2018 Realização 2 Realização 3 Programação: manhã 9:30h-10:30H VISÃO GERAL: OTIMIZAÇÃO E INTELIGÊNCIA COMPUTACIONAL
3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Estratégias Evolutivas EEs. Prof. Juan Moisés Mauricio Villanueva
Estratégias Evolutivas EEs Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br www.cear.ufpb.br/juan Estratégias Evolutivas Desenvolvidas por Rechenberg e Schwefel, e estendida por Herdy, Kursawe
Indoor Localization without the Pain
Indoor Localization without the Pain Chintalapudi et al. (Microsoft Research India) Henrique Stagni 1 de junho de 2012 1 / 78 Objetivo Dado um ambiente fechado, construir um sistema que obtém a localização
Otimização por Colônia de Formigas (ACO)
Otimização por Colônia de Formigas (ACO) Inspiração Biológica Proposto por Dorigo e Gambardella em 1997 ACO (Ant Colony Optimization) Principal aplicação no PCV Programação do algoritmo Inspiração Biológica
Métodos de Pesquisa Operacional
Métodos de Pesquisa Operacional Programação Linear é a parte da Pesquisa Operacional que trata da modelagem e resolução de problemas formulados com funções lineares. Programação Linear } Métodos de Resolução
Alocação de Unidades via Relaxação Lagrangeana
Alocação de Unidades via Relaxação Lagrangeana Prof. Antonio Simões Costa Grupo de Sistemas de Potência EEL - UFSC Relaxação Lagrangeana: Conceitos Iniciais 2 1 Alocação de Unidades via Relaxação Lagrangeana
Árvore 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
Formulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos
Formulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos Teobaldo L. Bulhões Júnior a a Instituto de Computação, Universidade Federal Fluminense, Niterói, RJ, Brazil
Introdução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roteirização e Programação de Veículos PNV-2450 André Bergsten Mendes HEURÍSTICA DE INSERÇÃO DE SOLOMON (VRPTW) Exercício Para o problema de roteirização com janela de tempo
Busca Local Iterada. Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial
Universidade Federal do Paraná UFPR Curso de Ciência da Computação CI801 Tópicos em Inteligência Artificial Busca Local Iterada Kelly Rodrigues Abreu Federico Luis Losco 28 de Maio de 2007. Sumário Introdução
Programação Inteira. Solução com o método Branch-and-Bound
Programação Inteira Solução com o método Branch-and-Bound Conceitos gerais Um conceito fundamental nos métodos de resolução de programação inteira é a relaxação linear p Consiste em substituir PIM Ζ +
UNIDADE 7 PROGRAMAÇÃO MATEMÁTICA
UNIDADE 7 PROGRAMAÇÃO MATEMÁTICA 7.) INTRODUÇÃO Os problemas de Programação Linear Inteira podem ser entendidos como casos específicos da Programação Linear (conjunto solução contínuo), onde todas, ou
Pesquisa Operacional
Faculdade de Engenharia - Campus de Guaratinguetá Pesquisa Operacional Livro: Introdução à Pesquisa Operacional Capítulo 5 Modelo da Designação Fernando Marins fmarins@feg.unesp.br Departamento de Produção
3 Metaeurísticas e Resolvedores MIP
3 Metaeurísticas e Resolvedores MIP A combinação entre metaeurísticas e resolvedores MIP é uma estratégia relativamente recente, tendo seus primeiros estudos realizados ao longo da última década. O survey
UM ALGORITMO GRASP PARA O SALBP-2
UM ALGORITMO GRASP PARA O SALBP-2 Dayan de Castro Bissoli Universidade Federal do Espírito Santo (UFES) Av. Fernando Ferrari, 54 Goiabeiras 2907590 Vitória/ES Brasil dayan.bissoli@ufes.br André Renato
Otimização discreta Modelagem com variáveis binárias: problemas clássicos
Otimização discreta Modelagem com variáveis binárias: problemas clássicos Importância histórica...... e prática. Usados para modelar problemas reais e como subproblemas em problemas maiores (e mais freqüentes
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
Aplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados
Aplicação de uma Metaheurística GRASP para o Problema da Árvore de Steiner em Grafos Direcionados Marcelo Lisboa Rocha, Sóstenes Pereira Gomes Departamento de Ciência da Computação Fundação UNIRG Alameda
3. Otimização sob Incerteza
3. Otimização sob Incerteza Os problemas de otimização tentam resolver, de forma eficiente, situações do mundo real por meio de modelos matemáticos que utilizam parâmetros incertos. Pode-se encontrar na
Aprimorando o Corte Peças com Forma Irregular em Chapas Retangulares
Aprimorando o Corte Peças com Forma Irregular em Chapas Retangulares Leandro Resende Mundim, leandroresendemundim@gmail.com Thiago Alves de Queiroz, th.al.qz@catalao.ufg.br Resumo: Esta pesquisa lida com
Inteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
11/1/2012. Agenda. Classe de problemas de interesse. Busca Local. Busca Local. Exemplo de Espaço de Estados
Agenda PCS / PCS 09 Inteligência Artificial Prof. Dr. Jaime Simão Sichman Profa. Dra. Anna Helena Reali Costa Busca Local e Problemas de Otimização. Introdução. Busca Local I. Subida da Encosta (Hill-Climbing)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO)
Otimização por Colônia de Formigas (Ant Colony Optimization - ACO) Eros Moreira de Carvalho Gabriel Silva Ramos CI209 - Inteligência Artificial BCC - Bacharelado em Ciência da Computação DInf - Departamento
UMA NOVA FORMULAÇÃO PARA O PROBLEMA DE CORRESPONDÊNCIA DE GRAFOS
UMA NOVA FORMULAÇÃO PARA O PROBLEMA DE CORRESPONDÊNCIA DE GRAFOS Renato Gonçalves de Lanes Universidade Federal do Espírito Santo (UFES) Centro Tecnológico - Departamento de Informática Av. Fernando Ferrari,
ANÁLISE DE RESULTADOS NA CONSTRUÇÃO DE ROTA PARA O PROBLEMA DO CAIXEIRO VIAJANTE
ANÁLISE DE RESULTADOS NA CONSTRUÇÃO DE ROTA PARA O PROBLEMA DO CAIXEIRO VIAJANTE Luiz Antonio Kretzschmar, Luiz Fernando Nunes, Paula Francis Benevides Departamento de Matemática Universidade Tecnológica
Universidade Federal Fluminense
Universidade Federal Fluminense LUCAS DE OLIVEIRA BASTOS Soluções Heurísticas para o Problema de Atribuição de Localidades a Anéis em Redes SONET NITERÓI 2005 Universidade Federal Fluminense LUCAS DE OLIVEIRA
4 Fundamentos Teóricos
4 Fundamentos Teóricos Neste capitulo são apresentados os fundamentos dos problemas de otimização matemática, abordando os diferentes conceitos e terminologias da otimização matemática, assim como seus
Heurística VNS para o problema do corte de rotulação mínima
Heurística VNS para o problema do corte de rotulação mínima Augusto Cesar Bordini Braga Instituto de Computação Universidade Federal Fluminense (UFF) Niterói RJ - Brasil gutocnet@ic.uff.br Resumo: O problema
ANÁLISE DE ALGORITMOS (INF 1721)
PUC-Rio Departamento de Informática Prof. Marcus Vinicius S. Poggi de Aragão (3WA) Horário: 2as. e 4as. 9-11hs (3WA) 24 de novembro de 2015 Período: 2015.2 ANÁLISE DE ALGORITMOS (INF 1721) 3 a Lista de
6 ESCALONAMENTO DE CPU
6 ESCALONAMENTO DE CPU O escalonamento de CPU é ponto chave da multiprogramação. Ela permite que haja mais de um processo em execução ao mesmo tempo. Em ambientes com um único processador, o escalonador
Aula 12: Programação Inteira
Aula 12: Programação Inteira Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Aula de Hoje 1 Programação Inteira: A Formulação
Algoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Teoria dos Grafos. Árvores Geradoras
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Silvio A. de Araujo Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br, saraujo@ibilce.unesp.br Preparado a partir
Medida 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
Complexidade e algoritmos para algumas
Complexidade e algoritmos para algumas variações do problema de coloração Flavia Bonomo Guillermo Durán Javier Marenco Departamento de Matemática, FCEyN, Universidad de Buenos Aires, Argentina Departamento
Otimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Revisão Método Simplex Solução básica factível: xˆ xˆ, xˆ N em que xˆ N 0 1 xˆ b 0 Solução geral
Gabriel Coutinho DCC035 - Pesquisa Operacional Lista 6
Lista 6 Exercício. O objetivo deste exercício é modelar o problema de emparelhamento em um grafo bipartido como um problema de fluxo, e verificar que o Teorema de Konig é essencialmente o Teorema de Fluxo
BCC204 - Teoria dos Grafos
BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal
Otimização em Colônias de Formigas. Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F.
Otimização em Colônias de Formigas Prof. Eduardo R. Hruschka (Slides adaptados dos originais elaborados pelo Prof. André C. P. L. F. de Carvalho) Principais tópicos Introdução Colônias de Formigas Formação
Programação Linear. MÉTODOS QUANTITATIVOS: ESTATÍSTICA E MATEMÁTICA APLICADAS De 30 de setembro a 13 de novembro de 2011 prof. Lori Viali, Dr.
Programação Linear São problemas complexos, muitas vezes de difícil solução e que envolvem significativas reduções de custos, melhorias de tempos de processos, ou uma melhor alocação de recursos em atividades.
UMA METAHEURÍSTICA GRASP PARA O PROBLEMA DA ÁRVORE GERADORA DE CUSTO MÍNIMO COM GRUPAMENTOS UTILIZANDO GRAFOS FUZZY
UMA METAHEURÍSTICA GRASP PARA O PROBLEMA DA ÁRVORE GERADORA DE CUSTO MÍNIMO COM GRUPAMENTOS UTILIZANDO GRAFOS FUZZY FABIANO VIEIRA DE ALVARENGA MARCELO LISBOA ROCHA Departamento de Ciência da Computação
MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA
MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA Marlon Luiz Dal Pasquale Junior, UNESPAR/FECILCAM, jr.marlon@hotmail.com Solange Regina dos Santos (OR), UNESPAR/FECILCAM, solaregina@fecilcam.br
Teoria da Computação. Complexidade computacional classes de problemas
Teoria da Computação Complexidade computacional classes de problemas 1 Universo de problemas Problemas indecidíveis ou não-computáveis Não admitem algoritmos Problemas intratáveis Não admitem algoritmos
Volmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 21
Volmir Eugênio Wilhelm Departamento de Engenharia de Produção UFPR 21 Três objetivos i. Redução de custos (custos variáveis) ii. iii. Redução de capital (investimento, custos fixos) Melhoria do serviço
Problema de Particionamento de Conjuntos
Problema de Particionamento de Conjuntos Eliana Fátima Nóbrega da Silveira Professor: João Soares Trabalho elaborado no âmbito da disciplina de Optimização Combinatória Disciplina da Licenciatura em Matemática
Algoritmos 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
Projeto de Escalonamento Alocação de médicos
Projeto de Escalonamento Alocação de médicos Atol Fortin de Oliveira 15 de dezembro de 2009 1 Sumário 1 Introdução 3 2 O Problema 4 2.1 Especicação do problema................... 4 2.2 Resumo das variáveis