SOBRE ESCALONAMENTO EM MÁQUINAS PARALELAS COM CAPACIDADES DISTINTAS
|
|
- Gustavo do Amaral Affonso
- 6 Há anos
- Visualizações:
Transcrição
1 SOBRE ESCALONAMENTO EM MÁQUINAS PARALELAS COM CAPACIDADES DISTINTAS Mitre Costa Dourado 1 Rosiane de Freitas Rodrigues 2 Jayme Luiz Szwarcfiter 3 1 Instituto de Ciências Exatas - UFRRJ e NCE-UFRJ 2 Engenharia de Sistemas e Computação, COPPE - UFRJ e DCC-UFAM 3 Instituto de Matemática, NCE, COPPE - UFRJ Universidade Federal do Rio de Janeiro-UFRJ, RJ, Brasil mitre@nce.ufrj.br, rosiane@cos.ufrj.br, jayme@nce.ufrj.br. Resumo Este trabalho aborda problemas de escalonamento de tarefas em máquinas paralelas uniformes. Neste caso, o escalonamento é realizado em um conjunto de máquinas em paralelo, onde as mesmas possuem características distintas expressas em termos de velocidades distintas de execução. São apresentados algoritmos para os problemas Q p j = 1 w j U j e Q p j = p w j U j, com n tarefas independentes e m máquinas paralelas uniformes. Os problemas envolvem tarefas com tempos de processamento iguais (unitários ou não) e diferentes prioridades representadas por pesos distintos. O objetivo consiste em determinar escalonamentos ótimos com um número mínimo de tarefas tardias ponderadas. A melhor solução vigente para estes problemas, envolve a modelagem dos mesmos como um problema de alocação (assignment problem), resultando em um algoritmo de complexidade O(n 3 ). Este trabalho apresenta algoritmos que resolvem tais problemas de maneira mais eficiente, em tempo O(n log n) tanto para os casos onde as tarefas não possuem pesos quanto para os casos com tarefas ponderadas. Palavras-chave: escalonamento teórico, máquinas uniformes, política EDD, tempo unitário de processamento. Área Principal: Otimização Combinatória. Abstract This paper tackles problems of scheduling tasks on uniform parallel machines. In this case, the scheduling can be done in a set of machines in parallel, where they have distinct characteristics expressed in terms of different speeds of execution. Algorithms are presented for problems Q p j = 1 w j U j and Q p j = p w j U j, with n independent jobs and m parallel uniform machines. The problems involving tasks with equal processing times (unit time or not), and different priorities. The objective is to determine optimal scheduling with a minimum number of weighted tardy jobs. The best current solution to these problems, involves their modeling as an assignment problem, resulting in an algorithm of complexity O(n 3 ). Our proposed algorithm solve these problems in time O(n log n) both for cases with jobs without weights, as for cases with weighted jobs. Keywords: EDD rule, scheduling theory, uniform machines, unit executing time. Main Area: Combinatorial Optimization. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2752
2 1 Introdução Escalonamentos de tarefas em máquinas paralelas uniformes representam uma importante classe de problemas de escalonamento. Neste caso, o escalonamento é realizado em um conjunto de máquinas em paralelo, onde as mesmas possuem características distintas expressas em termos de velocidades distintas de execução (cada máquina pode possuir uma velocidade diferente de execução, independente da tarefa que está sendo executada). As máquinas uniformes são também denominadas de máquinas relacionadas. De uma maneira geral, os problemas abordados podem ser definidos como segue. Dadas n tarefas J = {J 1,..., J n } a serem escalonadas em m máquinas paralelas uniformes Q = {Q 1,..., Q m }, onde cada máquina Q i possui uma velocidade específica q i e cada tarefa J j possui um tempo de processamento p j. A execução da tarefa J j na máquina Q i requer p j q j unidades de tempo. Um caso especial é quando a velocidade para qualquer máquina Q i é a mesma (q i = q), onde tem-se o caso de máquinas paralelas idênticas (P ). Os casos de interesse deste trabalho envolvem problemas de escalonamento onde as tarefas possuem tempos de processamento iguais (unitários ou não), estando disponíveis para serem processadas a qualquer momento respeitando-se apenas as datas estipuladas para que a execução de cada uma termine. O objetivo consiste em minimizar o número de tarefas tardias, com prioridades diferenciadas ou não (Leung 2004, Brucker 2004). Usando a notação padrão para representar problemas de escalonamento proposta por Graham et al. (1979), os problemas abordados são: Q p j = 1 U j e Q p j = p U j (versões com tarefas não-ponderadas); Q p j = 1 w j U j e Q p j = p w j U j (versões com tarefas ponderadas). Para tais problemas de interesse, a melhor solução encontrada na literatura modela os mesmos como sendo problemas de alocação (assigment problems), resolvendo-os em O(n 3 ), tanto para as versões não-ponderadas quanto para as ponderadas (Brucker e Knust (2009), Durr(2009), Pinedo (2002)). Neste trabalho, algoritmos mais eficientes estão sendo propostos. Tanto para as versões não-ponderadas, Q p j = 1 U j e Q p j = p U j, quanto para as versões ponderadas - Q p j = 1 w j U j e Q p j = p w j U j, a complexidade fica em O(n log n). Tais estratégias de solução foram baseadas nas estratégias de solução para os problemas 1 p j = 1; r j U j e P p j = 1; r j U j, propostas por Rodrigues (2009) e Dourado et al. (2008). O restante deste artigo está estruturado da seguinte maneira. Na Seção 2, são definidos os problemas e apresentados os conceitos necessários. Na Seção 3 é apresentado um algoritmo para os casos onde as tarefas não possuem pesos. Na Seção 4 é apresentado um algoritmo para os casos com tarefas ponderadas. Por fim, considerações finais são feitas na Seção 5. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2753
3 2 Os Problemas Q p j = 1 w j U j e Q p j = p w j U j O problema Q p j = p w j U j é equivalente ao problema Q p j = 1 w j U j (Brucher e Kravchenko (2006)), onde os tempos de processamento p j e as datas de término d j podem ser escalados pelo fator 1 p. Sendo assim, a partir deste ponto será considerado apenas o problema Q p j = 1 w j U j. O problema Q p j = 1 w j U j, em notação de 3-campos (Graham et al. (1979)), pode ser definido como segue. Dado um conjunto de n tarefas J = {J 1,..., J n }, todas disponíveis ao mesmo tempo para execução (r j = 0), mas cada uma tendo datas de término não-obrigatórias due date d j, requerendo um tempo de execução unitário unit execution time p j = 1 e tendo prioridades distintas representadas por pesos w j. Tais tarefas devem ser escalonadas em m, 1 m n, máquinas paralelas uniformes Q = {Q 1,..., Q m }, ou seja, cada máquina Q i possuindo uma capacidade q i distinta de processamento (velocidades diferentes). A execução da tarefa J j na máquina Q i requer p j q i, onde para tarefas de tempos unitários tem-se 1 q i. Assume-se que para cada tarefa, suas datas término e seus pesos são inteiros não-negativos. Cada máquina pode processar no máximo uma tarefa e cada tarefa pode ser processada em uma única máquina. Conseqüentemente, um escalonamento é uma função injetiva S, a qual associa para cada tarefa J j J um número s j, chamado tempo de início da tarefa J j, e uma máquina específica Q y Q. Dizemos que J j tem sido escalonado para iniciar no tempo s j na máquina Q y. Considerando que a tarefa J j seja escalonada na k-ésima posição da máquina Q i, denota-se por C j = k q i, o tempo de completude (completion time) desta tarefa J j. Uma tarefa factível no tempo t, nestes casos, é uma tarefa que satisfaz 0 C j d j. Um escalonamento S é factível quando cada tarefa J j é factível para seus tempos de completude C j. Se uma tarefa J j é tardia (C j > d j ), então uma penalidade unitária é definida como U j = 1, caso contrário a tarefa J j está adiantada ou em-tempo (C j d j ), e uma penalidade nula U j = 0 é atribuída. O problema consiste no escalonamento de todas as tarefas de tal forma a minimizar a função objetivo w j U j, ou seja, minimizar o número total das tarefas tardias ponderadas. Um escalonamento para (J, Q) pode ser visto como sendo uma partição induzida (S, T ), onde S representa o conjunto de tarefas em-tempo e T representa o conjunto de tarefas tardias. A Figura 1 ilustra a atribuição da k-ésima tarefa ao k-ésimo possível tempo de completude, dentre os n gerados. Nas próximas seções são apresentados algoritmos para a resolução de versões do problema descrito nesta seção. 3 Algoritmo para o caso não-ponderado O algoritmo para o problema Q p j = 1 U j se baseia em uma estratégia simples onde primeiramente as tarefas são ordenadas em ordem não-decrescente de suas datas de término (política EDD, do inglês Earliest Due Date first). Sem perda de generalidade, assume-se que (d 1 d 2... d n ). Os tempos de execução possíveis são previamente determinados, da seguinte forma. Uma fila de prioridades fpq para conter os possíveis tempos de execução é criada, contendo inicialmente os valores 1 q i, para cada máquina Q i. Em seguida, remove-se o menor valor da fila de prioridades fpq e reserve-o. Assumindo que em um XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2754
4 Figura 1: Esquema que representa a atribuição da k-ésima tarefa ao k-ésimo possível tempo de completude, dentre os n gerados. passo geral o menor valor em fpq seja k q i, é re-inserido em fpq o valor k+1 q i. Repete-se este procedimento até que n valores serem gerados, t 1 t 2... t n, representando os n possíveis tempos de completudes para um conjunto de n tarefas serem executadas nas máquinas paralelas uniformes. Por fim, atribui-se a k-ésima tarefa de menor data de término (d k ) ao menor tempo de completude t k, e assim sucessivamente. Ao se tentar fazer esta atribuição, se d k < t k então J k é uma tarefa tardia e deve ser reservada para ser escalonada ao final do processo. Caso contrário, se d k t k, a tarefa J j deve ser alocada na posição t k (que indica o tempo e a respectiva máquina). Ao final, a fila de tarefas ordenadas por suas datas de término que foram consideradas tardias são atribuídas, nesta ordem, aos tempos de completude restantes. O Algoritmo 1 apresenta o pseudo-código do método descrito acima. Algoritmo 1 algoritmo para Q p j = 1 U j ordene as tarefas aplicando a política EDD - (d 1 d 2... d n ). crie uma fila de prioridades fpq(), inserindo primeiramente os tempos 1 q i de cada máquina Q i. faça k = 1, representando o índice do k-ésimo tempo de completude a ser previamente gerado. repita remova o menor valor de fpq() e atribua a t k. Assumindo que o mesmo seja k q i, insira em fpq() o tempo k+1 q i. k := k + 1. até (k = n tempos de completude serem gerados) para cada tarefa J j faça se d j <= t j então atribua J j a t j e indique-a como indisponível. senão defina J j como tardia. fim se fim para escalone cada tarefa tardia no final em qualquer t k restante. Quanto a complexidade computacional, a ordenação das tarefas em ordem EDD custa O(n log n). Criar a fila de prioridades fpq contendo inicialmente o primeiro tempo de completude possível em cada XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2755
5 máquina, para uma tarefa de tempo de execução unitária, leva tempo O(m). O primeiro laço de repetição é feito n vezes e dentro dele, a cada passo a fila de prioridades fpq é manipulada, com uma remoção e uma inserção, seguida de re-ordenamento para devolver sempre seu menor valor dentre os m possíveis. Assim, tal repetição custa O(n log m). Para o segundo laço de repetição, cada uma das n tarefas é considerada para ser escalonada (atribuída) a um dos tempos de completude gerados no passo anterior. Dentro deste laço, é verificado em tempo constante se a tarefa em questão é tardia ou não, escalonandoa ou reservando-a para ser escalonada ao final. Sendo assim, tais passos representados pelo segundo laço custam O(n). Então, assumindo que m n, a complexidade de tempo total do Algoritmo 1 é de O(n log n). A Figura 2 apresenta a situação do conjunto de n tarefas e tempos de completude ao final do Algoritmo 1. Figura 2: Esquema que representa a situação do conjunto de n tarefas e tempos de completude ao final do Algoritmo 1. 4 Algoritmo para o caso ponderado Para o caso do problema com tarefas de prioridades distintas, Q p j = 1 w j U j, deseja-se um número mínimo de tarefas tardias (o mesmo número obtido para a versão não-ponderada do problema (Seção 3), tal que o peso total das tarefas tardias seja o menor possível. Sendo assim, apesar do número de tarefas tardias ser igual, o conjunto de tarefas pode ser diferente. A Figura 3 representa a busca, no k-ésimo passo, pelo menor peso dentre os pesos das tarefas emtempo, que ainda assim seja menor do que o peso w j da tarefa tardia J j corrente, tal como descrito no Algoritmo 2. O Algoritmo 2 apresenta o pseudo-código para a versão ponderada do problema descrito acima. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2756
6 Figura 3: Esquema que representa a busca linear, no k-ésimo passo, pelo maior peso que seja menor do que o peso w j da tarefa tardia J j corrente,tal como descrito no Algoritmo 2. Algoritmo 2 algoritmo para Q p j = 1 w j U j ordene as tarefas aplicando a política EDD - (d 1 d 2... d n ). crie uma fila de prioridades fpqt, inserindo primeiramente os tempos 1 q i de cada máquina Q i. faça k = 1, representando o índice do k-ésimo tempo de completude a ser previamente gerado. repita remova o menor valor de fpqt e atribua a t k. Assumindo que o mesmo seja k q i, insira em fpqt o tempo k+1 q i. k := k + 1. até (k = n tempos de completude serem gerados) crie uma fila de prioridades fpqw, para fornecer o menor peso dentre as tarefas escalonadas em-tempo. para cada tarefa J j faça se d j <= t j então atribua J j a t j e indique-a como indisponível. insira J j em fpqw. senão verifique se wk = min J k S{w k wk < w j} (ou seja, compare o valor retornado por fpqw com o peso de J j ). se J k então troque J k por J j (atualize fpqw). Faça J k ser tardia. senão Faça J j ser tardia. fim se fim se fim para escalone cada tarefa tardia no final em qualquer unidade de tempo t restante. A estratégia embutida no Algoritmo 2 pode ser realizada em tempo O(n log n), tal como segue. Tal como para o Algoritmo 1, a geração dos n tempos possíveis de execução acontece da mesma forma. Sendo assim, a ordenação das tarefas em ordem EDD custa O(n log n). Criar a fila de prioridades fpqt XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2757
7 contendo inicialmente o primeiro tempo de completude possível em cada máquina, para uma tarefa de tempo de execução unitária, leva tempo O(m). O primeiro laço de repetição é feito n vezes e dentro dele, a cada passo a fila de prioridades fpqt é manipulada, com uma remoção e uma inserção, seguida de re-ordenamento para devolver sempre seu menor valor dentre os m possíveis. Assim, tal repetição custa O(n log m). Para o segundo laço de repetição, cada uma das n tarefas é considerada para ser escalonada (atribuída) a um dos tempos de completude gerados no passo anterior. Dentro deste laço, é verificado em tempo constante se a tarefa J j em questão pode ser escalonada em tempo ou não. Se a tarefa J j puder ser escalonada em tempo, nada mais a fazer. Senão, verificar dentre as S tarefas escalonadas (tarefas em-tempo), se existe alguma com peso menor do que J j, pode ser feito usando-se uma outra fila de prioridades - fpqw - que forneça sempre o menor peso dentre as S tarefas escalonadas. Isto pode ser feito em tempo O(log S ). A troca é feita em tempo constante O(1). Observa-se que a fila de prioridades fpqw deve ser inicializada de modo a validar as operações posteriores. No final, as T tarefas que ficaram definidas como tardias são alocados nos n S tempos de completude restantes. Como o número de tempos de completude é invariante, ocorrendo apenas a busca e troca de tarefas associadas aos mesmos, se as condições de busca forem satisfeitas, então usando-se estruturas de dados adequadas, como filas de prioridades (ou heaps), tais buscas e trocas podem ser feitas de maneira eficiente. Então, a complexidade de tempo total do Algoritmo 1 é de O(n log m + n log n) e, assumindo que m n, a complexidade total é de O(n log n). 5 Conclusões Neste trabalho, foram apresentados algoritmos para os problemas Q p j = 1 U j, Q p j = p U j, Q p j = 1 w j U j e Q p j = p w j U j, que encontram escalonamentos que minimizam o número de tarefas tardias (ponderadas ou não), em máquinas paralelas que possuem capacidades distintas de processamento (máquinas paralelas uniformes). O primeiro método, Algoritmo 1, calcula todos os possíveis tempos de completude das n tarefas e depois considera cada tarefa em ordem EDD para atribuí-las aos tempos gerados, tendo complexidade O(n log n). O Algoritmo 2 apresenta uma pequena modificação em relação ao Algoritmo 1, pois também realiza trocas entre tarefas tardias e tarefas emtempo, de tal forma a minimizar a soma total das tarefas tardias ponderadas. Tal processo, representado pelo Algoritmo 2, possui complexidade de tempo O(n log n). A Tabela 1 apresenta uma relação dos problemas abordados e suas complexidades, comparando-os com os melhores resultados disponíveis na literatura. Tais resultados apresentados neste artigo, juntamente com os propostos por Rodrigues (2009) e Dourado et al. (2008), motivam a abordagem dos problemas Q p j = 1; r j U j e Q p j = 1; r j w j U j, que se encontram em aberto, dentre as pesquisas futuras. XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2758
8 Tabela 1: Quadro comparativo dos resultados. Complexidade Problema Literatura Resultados Propostos Q p j = 1 U j Q p j = p U j O(n 3 ) O(n log n) Q p j = 1 w j U j Q p j = p w j U j O(n 3 ) O(n log n) Q p j = 1; r j U j Q p j = 1; r j w j U j em aberto em estudo Referências Brucker, P. e Knust, S. (2009). Complexity Results for Scheduling Problems, Disponível em Brucker, P. (2004). Scheduling Algorithms, 4rd ed., Springer-Verlag, New York. Dourado, M., Rodrigues, R. e Szwarcfiter, J. (2008). Scheduling unit time jobs with integer release dates to minimize the weighted number of tardy jobs, In: Annals of Operations Research, Springer Netherlands, 169(1),81 91, DOI: /s y, ISSN: (Print) (Online). Durr, C. (2009). The Scheduling Zoo: a searchable bibliography on scheduling. Disponível em durr/query/. Leung, J. (ed.) (2004). Handbook of Scheduling: Algorithms, Models, and Performance Analysis, Computer and Information Science Series, Chapman&Hall and CRS Press. Pinedo, M. (2002), Scheduling: Theory, Algorithms, and Systems, Prentice-Hall, 2a. ed. Rodrigues, R. (2009), Caracterizações e Algoritmos para Problemas Clássicos de Escalonamento, Tese (Doutorado) - Programa de Engenharia de Sistemas e Computação - COPPE, UFRJ, XLI SBPO Pesquisa Operacional na Gestão do Conhecimento Pág. 2759
Scheduling and Task Allocation ADVANCED COMPUTER ARCHITECTURE AND PARALLEL PROCESSING Hesham El-Rewini 2005 Capítulo 10 Autor...: Antonio Edson Ceccon Professor..: Prof. Heitor Silvério Lopes Apresentação
Leia maisOrdenação Externa. Ordenação Externa. Ordenação Externa. Ordenação Externa
Ordenação Externa Ordenação Externa Estrutura de Dados II Prof. Guilherme Tavares de Assis Universidade Federal de Ouro Preto UFOP Instituto de Ciências Exatas e Biológicas ICEB Departamento de Computação
Leia maisComplexidade Assintótica de Programas Letícia Rodrigues Bueno
Complexidade Assintótica de Programas Letícia Rodrigues Bueno Análise de Algoritmos 1. Introdução; Análise de Algoritmos 1. Introdução; 2. Conceitos básicos; Análise de Algoritmos 1. Introdução; 2. Conceitos
Leia maisUniversidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula
Universidade Estadual de Mato Grosso do Sul Bacharelado em Ciência da Computação Algoritmos e Estruturas de Dados II Prof. Fabrício Sérgio de Paula Tópicos Introdução Alocação sequencial Listas lineares,
Leia maisÁrvores. Thiago Martins, Fabio Gagliardi Cozman. PMR2300 / PMR3201 Escola Politécnica da Universidade de São Paulo
PMR2300 / PMR3201 Escola Politécnica da Universidade de São Paulo Árvore: estrutura composta por nós e arestas entre nós. As arestas são direcionadas ( setas ) e: um nó (e apenas um) é a raiz; todo nó
Leia maisComplexidade de algoritmos Notação Big-O
Complexidade de algoritmos Notação Big-O Prof. Byron Leite Prof. Tiago Massoni Engenharia da Computação Poli - UPE Motivação O projeto de algoritmos é influenciado pelo estudo de seus comportamentos Problema
Leia maisListas de Prioridade. Fonte de consulta: Szwarcfiter, J.; Markezon, L. Estruturas de Dados e seus Algoritmos, 3a. ed. LTC.
Listas de Prioridade Fonte de consulta: Szwarcfiter, J.; Markezon, L. Estruturas de Dados e seus Algoritmos, 3a. ed. LTC. Capítulo 6 Prioridade } Algumas aplicações precisam recuperar rapidamente um dado
Leia maisAlgoritmos em Grafos: Caminho Mínimo
Algoritmos em Grafos: Caminho Mínimo Letícia Rodrigues Bueno UFABC Problema 2: Menor caminho entre duas cidades Dado um mapa de cidades, contendo as distâncias entre cidades, qual o menor caminho entre
Leia maisEstruturas de Dados. Árvores AVL: Partes I e II. Desempenho de ABBs (Revisão)
Estruturas de Dados Árvores AVL: Partes I e II Prof. Ricardo J. G. B. Campello Parte deste material é baseado em adaptações e extensões de slides disponíveis em http://ww3.datastructures.net (Goodrich
Leia maisMPE(S)- Metodologias de Planeamento e Escalonamento Planning and Scheduling Methodologies
MPE(S)- Metodologias de Planeamento e Escalonamento Planning and Scheduling Methodologies Eugénio Oliveira / Henrique L. Cardoso {eco, hlc}@fe.up.pt Sítio web institucional Sítio web específico: http://paginas.fe.up.pt/~eol/prodei/mpe1415_eng.htm
Leia maisFilas de prioridade. Algoritmos e Estruturas de Dados AED 2005/2006 AEDA 2009/2010
Filas de prioridade Algoritmos e Estruturas de Dados AED 2005/2006 AEDA 2009/2010 Qual a Utilidade das Filas de Prioridade? Trabalhos maiores devem ser executados no fim (mesmo que não tenha sido o último
Leia maisEstrututas de Dados e Algoritmos. Estrutura de Dados e Algoritmos
Estruturas de Dados e Algoritmos Algoritmos conceitos básicos Algoritmo: Sequência de passos simples, claramente especificada, para resolver um determinado problema. Uma receita. Problemas e Algoritmos
Leia maisANÁLISE DE DESEMPENHO DE REGRAS DE PRIORIDADE PARA PROGRAMAÇÃO EM SISTEMAS FLOW SHOP HÍBRIDO E TEMPOS DE SETUP DEPENDENTES DA SEQUÊNCIA
ANÁLISE DE DESEMPENHO DE REGRAS DE PRIORIDADE PARA PROGRAMAÇÃO EM SISTEMAS FLOW SHOP HÍBRIDO E TEMPOS DE SETUP DEPENDENTES DA SEQUÊNCIA CANTIERE, Patricia Castoldi, IC, Fecilcam, CNPq, Engenharia de Produção
Leia mais4 Testes e experimentos realizados 4.1. Implementação e banco de dados
32 4 Testes e experimentos realizados 4.1. Implementação e banco de dados Devido à própria natureza dos sites de redes sociais, é normal que a maior parte deles possua uma grande quantidade de usuários
Leia maisHashing: conceitos. Hashing
Hashing: conceitos hashing é uma técnica conhecida como espalhamento, mapeamento ou randomização que tenta distribuir dados em posições aleatórias de uma tabela (array) associa cada objeto (de um determinado
Leia mais5COP096 TeoriadaComputação
Sylvio 1 Barbon Jr barbon@uel.br 5COP096 TeoriadaComputação Aula 13 Prof. Dr. Sylvio Barbon Junior Sumário - Problemas NP-Completo Algoritmos Não-deterministas; Classes NP-Completo e NP-Dificil; Teorema
Leia maisLista de exercícios sobre contagem de operações Prof. João B. Oliveira
Lista de exercícios sobre contagem de operações Prof. João B. Oliveira 1. metodo m ( Vetor V ) int i, res = 0; para i de 1 a V.size res = res + V[i]; return res; Soma de elementos de um vetor, O( ). 2.
Leia mais2. Ordenação por Seleção
1 Algoritmos de Ordenação Simples (SelectionSort, InsertionSort, BubbleSort) 1. Introdução Objetivo: Determinar a seqüência ordenada dos elementos de um vetor numérico. Algumas considerações: O espaço
Leia maisINF1010 Lista de Exercícios 2
INF00 Lista de Exercícios 2 Árvores. Construir algoritmo para dada uma árvore n-ária, transformá-la em uma árvore binária. 2. Qual a maior e menor quantidade de nós que podem existir em uma árvore binária
Leia maisEstruturas de Dados. Módulo 17 - Busca. 2/6/2005 (c) Dept. Informática - PUC-Rio 1
Estruturas de Dados Módulo 17 - Busca 2/6/2005 (c) Dept. Informática - PUC-Rio 1 Referências Waldemar Celes, Renato Cerqueira, José Lucas Rangel, Introdução a Estruturas de Dados, Editora Campus (2004)
Leia maisProgramação Linear - Parte 3
Matemática Industrial - RC/UFG Programação Linear - Parte 3 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 3 1/2016 1 / 26 O Método Simplex Encontre o vértice ótimo pesquisando um subconjunto
Leia mais4º 20/10/2003. ÍNDICE
Universidade Federal de Juiz de Fora UFJF. Departamento de Ciência da Computação DCC. Curso de Ciência da Computação. Análise e Projeto de Algoritmos 4º período. Filippe Jabour. Atualizado em 20/10/2003.
Leia maisDavidson Rodrigo Boccardo
Gerenciamento de processos Davidson Rodrigo Boccardo flitzdavidson@gmail.com Revisão Critérios de alocação: Utilização da CPU Produtividade (Throughput) Número de processos finalizados por unidade de tempo
Leia maisAlgoritmos e Programação
Algoritmos e Programação Aula 5 Estruturas de Repetição Profa. Marina Gomes marinagomes@unipampa.edu.br 26/04/2017 Engenharia de Computação - Unipampa 1 Aula de Hoje Estrutura de repetição Comando for
Leia maisAlgoritmos Greedy. Pedro Ribeiro 2014/2015 DCC/FCUP. Pedro Ribeiro (DCC/FCUP) Algoritmos Greedy 2014/ / 40
Algoritmos Greedy Pedro Ribeiro DCC/FCUP 2014/2015 Pedro Ribeiro (DCC/FCUP) Algoritmos Greedy 2014/2015 1 / 40 Algoritmos Greedy Vamos falar de algoritmos greedy. Em português são conhecidos como: Algoritmos
Leia maisMatrizes esparsas: definição
Matrizes esparsas: definição o objetivo é mostrar os métodos de armazenamento e manipulação de matrizes esparsas esparsidade de uma matriz é a relação entre o número de elementos nulos de uma matriz e
Leia maisTeoria dos Grafos. Fluxo Máximo em Redes
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 Fluxo Máximo
Leia mais4ª Lista de Exercícios de Programação I
4ª Lista de Exercícios de Programação I Instrução As questões devem ser implementadas em C. 1. Faça um algoritmo que leia 10 valores inteiros armazenando-os em um vetor e depois calcule a soma dos valores
Leia maisGrafos: árvores geradoras mínimas. Graça Nunes
Grafos: árvores geradoras mínimas Graça Nunes 1 Motivação Suponha que queremos construir estradas para interligar n cidades Cada estrada direta entre as cidades i e j tem um custo associado Nem todas as
Leia maisAlgoritmos e Estrutura de Dados. Aula 01 Apresentação da Disciplina e Introdução aos Algoritmos Prof. Tiago A. E. Ferreira
Algoritmos e Estrutura de Dados Aula 01 Apresentação da Disciplina e Introdução aos Algoritmos Prof. Tiago A. E. Ferreira Ementa e Objetivos Ementa: Análise de Algoritmos: Notação O e Análise Assintótica.
Leia maisHenrique Daniel Oliveira Lopes
Henrique Daniel Oliveira Lopes Aplicação de um algoritmo de pesquisa meta-heurística por geração de colunas (SearchCol) ao problema de máquinas paralelas UMinho 2012 Henrique Daniel Oliveira Lopes Aplicação
Leia maisTecnicas Essencias Greedy e Dynamic
Tecnicas Essencias Greedy e Dynamic Paul Crocker RELEASE - Reliable and Secure Computation Group Universidade da Beira Interior, Portugal October 2010 1 / 27 Outline 1 Introdução 2 Exemplo Greedy I : Interval
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 mais3. Conteúdo de um vértice v é conteúdo dos filhos de v.
Árvore Hierárquica Em inglês é chamada de Heap. Representar: conjunto C de elementos com relação. Operações: Ins x,c (inserir x em C e ExMax C (extrair o máximo do conjunto). Chamado também de Fila de
Leia maisCompactação de Dados Letícia Rodrigues Bueno
Compactação de Dados Letícia Rodrigues Bueno UFABC Compactação de Dados: Introdução Objetivo: Compactação de Dados: Introdução Compactação de Dados: Introdução Objetivo: 1. minimizar espaço de memória
Leia maisDepartamento de Engenharia Informática Licenciatura em Engenharia Informática Computadores e Sistemas Sistemas de Tempo Real
1. O modelo de processos - Notação Comecemos por sumariar a notação tipicamente utilizada durante as aulas teóricas. C D T Γ 1 Γ 1,1 Γ 1,2 0 3 6 9 12 tempo Activação da tarefa Fim da execução da tarefa
Leia maisArquivos Sequenciais Ordenados Fisicamente
Arquivos Sequenciais Ordenados Fisicamente Estrutura de Dados II Aula 05 UFS - DComp Adaptados a partir do material da Profa. Kenia Kodel Cox Arquivos Sequenciais Podem ser: 1. Desordenados 2. Ordenados,
Leia maisLista 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
Leia maisCaminho Mínimo de Fonte Única em Grafos sem Pesos Negativos
Caminho Mínimo de Fonte Única em Grafos sem Pesos Negativos Letícia Rodrigues Bueno UFABC Problema : Menor caminho entre duas cidades Dado um mapa de cidades, contendo as distâncias entre cidades, qual
Leia maisÁrvores AVL e Árvores B. Jeane Melo
Árvores AVL e Árvores B Jeane Melo Roteiro Árvores Binárias Árvores AVL Definição Motivação Balanceamento Operações de rebalanceamento Árvores B Introdução Árvores Binárias Árvores binárias Cada nó tem
Leia maisLista 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 +
Leia maisÁlgebra Linear e Geometria Analítica Bacharelados e Engenharias Parte II Matrizes (continuação)
Álgebra Linear e Geometria Analítica Bacharelados e Engenharias Parte II Matrizes (continuação) Prof.a Tânia Preto Departamento Acadêmico de Matemática UTFPR - 2014 Importante Material desenvolvido a partir
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 maisProcessos. Escalonamento de Processos
Processos Escalonamento de Processos Objetivos do Escalonamento Maximizar a taxa de utilização da UCP. Maximizar a vazão ( throughput ) do sistema. Minimizar o tempo de execução ( turnaround ). Turnaround:
Leia maisTeoria da Complexidade Computacional
Teoria da Complexidade Computacional 25 de novembro de 2011 Enquanto a teoria de análise de algoritmos estuda a análise de complexidade de algoritmos, a teoria da complexidade estuda a classificação de
Leia maisPesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho agosto/2013 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Leia maisÁrvores Auto-ajustadas
Árvores Árvores Auto-ajustadas As árvores binárias de pesquisa são projetadas para um acesso rápido à informação. A velocidade das operações de inserção, remoção e busca realizadas sobre as árvores é mais
Leia mais- UNIVERSIDADE DO VALE DO RIO DOS SINOS CIÊNCIAS EXATAS E TECNOLÓGICAS Curso: Informática / Ciência da Computação
Programação 1I Prof. Osório Lista Linear Seqüencial (Alocação Estática) Pag.: 1 - UNIVERSIDADE DO VALE DO RIO DOS SINOS CIÊNCIAS EXATAS E TECNOLÓGICAS Curso: Informática / Ciência da Computação Programação
Leia maisUma forma de classificação
Uma forma de classificação L. Não-RE ou f. nãocomputáveis LRE ou MT ou f. comput. L. Indecidíveis ou Procedimentos L. Recursivas ou Decidíveis ou Algoritmos Outra forma de classificação Problemas Indecidíveis
Leia maisMinimização do custo de antecipação e atraso para o problema de sequenciamento de uma máquina com tempo de preparação dependente da sequência.
Minimização do custo de antecipação e atraso para o problema de sequenciamento de uma máquina com tempo de preparação dependente da sequência. Leandro de Morais Bustamante Universidade Federal de Minas
Leia mais2. Algoritmos. Prof. Renato Tinós. Local: Depto. de Computação e Matemática (FFCLRP/USP) Introdução à Computação I IBM1006
Introdução à Computação I IBM1006 2. Algoritmos Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 2. Algoritmos 2.1. Introdução 2.2. Pseudo-código 2.3. Fluxograma
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Dentre a grande variedade de sistemas que podem ser modelados e para os quais a simulação pode ser aplicada com proveito, uma classe
Leia maisMétodo prático para extrair uma base de um conjunto de geradores de um subespaço de R n
Método prático para extrair uma base de um conjunto de geradores de um subespaço de R n 1. Descrição do método e alguns exemplos Colocamos o seguinte problema: dado um conjunto finito: A = {a 1, a 2,...,
Leia maisGrafos: componentes fortemente conexos, árvores geradoras mínimas
Grafos: componentes fortemente conexos, árvores geradoras mínimas SCE-183 Algoritmos e Estruturas de Dados 2 Thiago A. S. Pardo Maria Cristina 1 Componentes fortemente conexos Um componente fortemente
Leia maisO Problema do Fluxo de Custos Mínimos Terça-feira 2 de abril. O Problema do Caminho mais Curto. Fórmula. Outra Fórmula
15.053 Terça-feira 2 de abril O Problema do Caminho mais Curto Algoritmo de Dijkstra para solucionar o Problema do Caminho mais Curto Distribuir: Observações de Aula 1 O Problema do Fluxo de Custos Mínimos
Leia maisESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS
ESTÁGIOS DOMINANTES FLEXÍVEIS EM SISTEMAS DE PRODUÇÃO FLOW SHOP HÍBRIDOS João Vitor Moccellin Departamento de Engenharia de Produção Escola de Engenharia de São Carlos, Universidade de São Paulo. Av. Trabalhador
Leia maisDesempenho de computação paralela
Desempenho de computação paralela o paralelismo existente na aplicação decomposição do problema em subproblemas menores a alocação destes subproblemas aos processadores o modo de acesso aos dados: a existência
Leia maisComplexidade de Algoritmos
Complexidade de Algoritmos! Uma característica importante de qualquer algoritmo é seu tempo de execução! é possível determiná-lo através de métodos empíricos, considerando-se entradas diversas! é também
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisPesquisa Operacional. Evanivaldo Castro Silva Júnior
Evanivaldo Castro Silva Júnior Conteúdo Fundamentos da Pesquisa Operacional. Modelos Lineares. Métodos de solução gráfica e algoritmo simplex. Aplicações de Programação Linear. Análise de Sensibilidade.
Leia maisCompressão de Textos. Introdução. Introdução. Introdução. O volume de informação textual disponível on-line é imenso:
Compressão de Textos Estrutura de Dados II Prof. Guilherme Tavares de Assis Universidade Federal de Ouro Preto UFOP Instituto de Ciências Exatas e Biológicas ICEB Departamento de Computação DECOM O volume
Leia maisAnálise e Projeto de Algoritmos
Análise e Projeto de Algoritmos Mestrado em Ciência da Computação Prof. Dr. Aparecido Nilceu Marana Faculdade de Ciências I think the design of efficient algorithms is somehow the core of computer science.
Leia maisAnálise da Complexidade de Algoritmos
Análise da Complexidade de Algoritmos (revisões) Algoritmos e Estruturas de Dados II Licenciatura em Engenharia Informática e Computação www.fe.up.pt/ rcamacho/cadeiras/aed2 LIACC/FEUP Universidade do
Leia maisCorte Máximo em Grafos Notas de aula de MAC-5727
Corte Máximo em Grafos Notas de aula de MAC-577 (Material Extra do Capítulo ) Prof. a Yoshiko Wakabayashi Versão pós-aula feita por Bruno Takahashi C. de Oliveira em 09/03/09 15 de agosto de 016 1 Definições
Leia maisAULA 8- ÁLGEBRA MATRICIAL VERSÃO: OUTUBRO DE 2016
CURSO DE ADMINISTRAÇÃO CENTRO DE CIÊNCIAS SOCIAIS APLICADAS UNIVERSIDADE CATÓLICA DE PETRÓPOLIS MATEMÁTICA 01 AULA 8- ÁLGEBRA MATRICIAL VERSÃO: 0.1 - OUTUBRO DE 2016 Professor: Luís Rodrigo E-mail: luis.goncalves@ucp.br
Leia maisBC1424 Algoritmos e Estruturas de Dados I Aula 05 Custos de um algoritmo e funções de complexidade
BC1424 Algoritmos e Estruturas de Dados I Aula 05 Custos de um algoritmo e funções de complexidade Prof. Jesús P. Mena-Chalco 1Q-2016 1 1995 2015 2 Custo de um algoritmo e funções de complexidade Introdução
Leia maisSegundo trabalho prático de implementação Sistema de reserva de assentos
Segundo trabalho prático de implementação Sistema de reserva de assentos 1. Descrição do problema Computação Concorrente (MAB-117) 2016/2 Prof. Silvana Rossetto 1 DCC/IM/UFRJ 17 de novembro de 2016 Um
Leia maisUniversidade Federal de Uberlândia Faculdade de Computação. Estruturas de repetição
Universidade Federal de Uberlândia Faculdade de Computação Estruturas de repetição Prof. Renato Pimentel 1 Estruturas de repetição Utilização: Trecho de um algoritmo precisa ser executado mais de uma vez:
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisFACULDADE CAMPO LIMPO PAULISTA BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO. Projeto a Análise de Algoritmos I Lista de Exercícios 1
FACULDADE CAMPO LIMPO PAULISTA BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO Projeto a Análise de Algoritmos I Lista de Exercícios 1 Prof. Osvaldo. 1. Descreva alguns problemas associados ao emprego de metodologias
Leia maisDepartamento de Engenharia Rural Centro de Ciências Agrárias. Programação I
Departamento de Engenharia Rural Centro de Ciências Agrárias Programação I Algoritmos de busca Basicamente podem ser citadas duas estratégias para procurar (ou buscar) algo em uma coleção de dados: Busca
Leia maisPrática 02. Total. Pré-requisitos 2 MTM112. N o
Disciplina Pesquisa Operacional I MINISTÉRIO DA Departamento DEPARTAMENTO DE COMPUTAÇÃO Carga Horária Semanal Pré-requisitos 1 CIC170 Teórica EDUCAÇÃO E CULTURA DIRETORIA DE ENSINO 1 PROGRAMA DE DISCIPLINA
Leia maisPesquisa Operacional Introdução. Profa. Alessandra Martins Coelho
Pesquisa Operacional Introdução Profa. Alessandra Martins Coelho julho/2014 Operational Research Pesquisa Operacional - (Investigação operacional, investigación operativa) Termo ligado à invenção do radar
Leia maisSCC-503 Algoritmos e Estruturas de Dados II. Modificado por Moacir Ponti Jr, do original de:
Árvores-B (Parte II) SCC-503 Algoritmos e Estruturas de Dados II Modificado por Moacir Ponti Jr, do original de: Thiago A. S. Pardo Cristina D. A. Ciferri Leandro C. Cintra M.C.F. de Oliveira Algoritmo:
Leia maisUNIDADE 4 ESTRUTURAS DE CONTROLE
1 UNIDADE 4 ESTRUTURAS DE CONTROLE Na criação de algoritmos, utilizamos os conceitos de bloco lógico, entrada e saída de dados, variáveis, constantes, atribuições, expressões lógicas, relacionais e aritméticas,
Leia maisProjeto e Análise de Algoritmos NP Completude. Prof. Humberto Brandão
Projeto e Análise de Algoritmos NP Completude Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Universidade Federal de Alfenas versão da aula: 0.4 Introdução Problemas intratáveis ou difíceis são comuns
Leia maisXLVI Pesquisa Operacional na Gestão da Segurança Pública
UM ALGORITMO HEURÍSTICO MULTIOBJETIVO BASEADO NO MÉTODO DE NEWTON PARA O PROBLEMA INTEGRADO DE ALOCAÇÃO DE RECURSOS E SEQUENCIAMENTO DE OPERAÇÕES Miguel Angel Fernández Pérez fernandezmiguelp@gmail.com
Leia maisProcessos. Aula Passada. Aula Passada (2) Ciclos de CPU e de I/O (1)
Aula Passada Processos (Aula 6) Escalonamento de Processos O SO gerencia os recursos do sistema de computação em benefício dos processos Para isso, mantem estruturas de controles Tabelas (memória, I/O,
Leia maisAULA 24. Algoritmos p.856/905
AULA 24 Algoritmos p.856/905 Máximo divisor comum CLRS 31.1 e 31.2 Algoritmos p.857/905 Divisibilidade Suponha que a, b e d são números inteiros. Dizemos que d divide a se a = k d para algum número inteiro
Leia maisMétodos de Ordenação Parte 3
Estrutura de Dados II Métodos de Ordenação Parte 3 Prof a Márcio Bueno ed2tarde@marciobueno.com / ed2noite@marciobueno.com Material baseado nos materiais do Prof. Robson Lins Classificação em Memória Primária
Leia maisAlgoritmos 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.
Leia maisCurso de Formação de Oficiais Conhecimentos Específicos ENGENHARIA DE COMPUTAÇÃO CADERNO DE QUESTÕES
Curso de Formação de Oficiais Conhecimentos Específicos ENGENHARIA DE COMPUTAÇÃO CADERNO DE QUESTÕES 2014 1 a QUESTÃO Valor: 1,00 a) (0,30) Defina gramáticas livre de contexto. b) (0,30) Crie uma gramática
Leia maisBCC402 Algoritmos e Programação Avançada Prof. Marco Antonio M. Carvalho Prof. Túlio Ângelo M. Toffolo 2011/1
BCC402 Algoritmos e Programação Avançada Prof. Marco Antonio M. Carvalho Prof. Túlio Ângelo M. Toffolo 2011/1 Na aula anterior Prova 2 Na aula de hoje Técnicas básicas de contagem; Tentativa e Erro; Recursividade.
Leia maisSistemas Operacionais: Escalonamento de processos
Sistemas Operacionais: Escalonamento de processos Escalonamento Critérios de escalonamento Algoritmos de escalonamento Escalonamento em multiprocessadores Escalonamento tempo real Características de processos
Leia maisEstruturas de Dados I
Estruturas de Dados I Rodrigo Porfírio da Silva Sacchi rodrigosacchi@ufgd.edu.br 3410-2075 Aula 6: Listas Encadeadas e Alocação Dinâmica Listas Encadeadas e Alocação Dinâmica Alocação Seqüencial versus
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisEste conceito é bastante simples e será útil e conveniente nos itens seguintes, na definição das estruturas básicas de controle de execução.
Capítulo 7 Controle de Fluxo de Execução Até o momento os algoritmos estudados utilizam apenas instruções primitivas de atribuição, e de entrada e saída de dados. Qualquer conjunto de dados fornecido a
Leia maisBC1424 Algoritmos e Estruturas de Dados I Aula 03: Recursão / Recursividade
BC1424 Algoritmos e Estruturas de Dados I Aula 03: Recursão / Recursividade Prof. Jesús P. Mena-Chalco 1Q-2016 1 Sobre a Lista 01 2 Lista 01 Solve me first Simple Array Sum A Very Big Sum Diagonal Difference
Leia maisALGORITMOS COM SELEÇÃO 1 - ESTRUTURA CONDICIONAL (ESTRUTURAS DE CONTROLE)
Algoritmos e Estruturas de Dados 1 Prof. Eduardo 1 ALGORITMOS COM SELEÇÃO 1 - ESTRUTURA CONDICIONAL (ESTRUTURAS DE CONTROLE) Já vimos entrada, processamento e saída, que compõem os algoritmos puramente
Leia maisUMA HEURÍSTICA VNS MULTIOBJETIVO PARA O PROBLEMA DE SEQUENCIAMENTO DE TAREFAS EM UMA MÁQUINA COM PENALIDADES POR ANTECIPAÇÃO E ATRASO E FLUXO TOTAL
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro
Leia maisComputadores e Programação (DCC/UFRJ)
Computadores e Programação (DCC/UFRJ) Aula 3: 1 2 3 Abstrações do Sistema Operacional Memória virtual Abstração que dá a cada processo a ilusão de que ele possui uso exclusivo da memória principal Todo
Leia mais03 Análise de Algoritmos (parte 3) SCC201/501 - Introdução à Ciência de Computação II
03 Análise de Algoritmos (parte 3) SCC201/501 - Introdução à Ciência de Computação II Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2010/2 Moacir
Leia maisVol. 20, No. 1, junho de 2000 Pesquisa Operacional
Vol. 20, No. 1, junho de 2000 Pesquisa Operacional 31 UMA HEURÍSTICA DE TROCAS PARA O PROBLEMA DE SEQUENCIAMENTO DE TAREFAS EM PROCESSADORES UNIFORMES Felipe Martins Müller Universidade Federal de Santa
Leia maisPROGRAMAÇÃO DA PRODUÇÃO FLOW SHOP PERMUTACIONAL COM MINIMIZAÇÃO DO TEMPO MÉDIO DE FLUXO
PROGRAMAÇÃO DA PRODUÇÃO FLOW SHOP PERMUTACIONAL COM MINIMIZAÇÃO DO TEMPO MÉDIO DE FLUXO Marcelo Seido Nagano Faculdade de Economia, Administração e Contabilidade, Universidade de São Paulo Av. dos Bandeirantes,
Leia maisAnálise estrutural do problema de programação da produção F3 r j, s ijk C max
Análise estrutural do problema de programação da produção F3 r j, s ijk C max Sânia da Costa Fernandes (UFG) saninha_fernandes@hotmail.com Tatiane Albuquerque Pires (UFG) tati_albuquerque_3@hotmail.com
Leia maisResolução da 1ª Prova de Álgebra Linear II da UFRJ, período
www.engenhariafacil.net Resolução da 1ª Prova de Álgebra Linear II da UFRJ, período 2013.1 OBS: Todas as alternativas corretas são as letras A. 1) Para ter ao menos uma solução devemos escalonar para ver
Leia maisProgramação Linear: Profa. Silvana Bocanegra UFRPE - DEINFO
Programação Linear: Profa. Silvana Bocanegra UFRPE - DEINFO Tipos de Problemas 1. Dada uma variedade de alimentos, escolher uma dieta de menor custo que atenda as necessidades nutricionais de um indivíduo?
Leia maisAlgoritmos e Estruturas de Dados I (DCC/003) Estruturas Condicionais e de Repetição
Algoritmos e Estruturas de Dados I (DCC/003) Estruturas Condicionais e de Repetição 1 Comando while Deseja-se calcular o valor de: 1 + 2 + 3 +... + N. Observação: não sabemos, a priori, quantos termos
Leia maisCOLORAÇÃO TOTAL EQUILIBRADA DE GRAFOS UM MODELO PARA REDES DE INTERCONEXÃO
versão impressa ISSN 00-78 / versão online ISSN 78- COLORAÇÃO TOTAL EQUILIBRADA DE GRAFOS UM MODELO PARA REDES DE INTERCONEXÃO Abel Rodolfo Garcia Lozano Departamento de Matemática / FFP Universidade do
Leia maisBCC202 - Estrutura de Dados I
BCC202 - Estrutura de Dados I Aula 15: Ordenação: ShellSort Reinaldo Fortes Universidade Federal de Ouro Preto, UFOP Departamento de Computação, DECOM Website: www.decom.ufop.br/reifortes Email: reifortes@iceb.ufop.br
Leia mais