Uma Abordagem para o Escalonamento Estático de Tarefas em Multiprocessadores Baseada em Autômatos Celulares
|
|
- Ana do Carmo Tavares Viveiros
- 6 Há anos
- Visualizações:
Transcrição
1 Uma Abordagem para o Escalonamento Estático de Tarefas em Multiprocessadores Baseada em Autômatos Celulares Autor: Murillo G. Carneiro 1, Orientadora: Gina M. B. Oliveira 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do Uberlândia (UFU) Uberlândia MG Brasil carneiro.murillo@gmail.com, gina@facom.ufu.br Nível: Mestrado Ano de ingresso no programa: 2009 Previsão de entrega da proposta: Janeiro / 2011 Época esperada de conclusão: Agosto / 2011 Resumo. O problema de escalonamento estático em multiprocessadores é conhecido por ser NP-Completo e consiste em alocar tarefas entre processadores de tal modo que as restrições de precedência entre as tarefas sejam mantidas e o tempo total de execução seja minimizado. Abordagens propostas para resolver esse problema normalmente utilizam heurísticas ou metaheurísticas. Contudo, muitas delas não tem a capacidade de extrair conhecimento do processo de escalonamento de uma aplicação e precisam começar do zero a cada nova instância. Trabalhos anteriores apontaram o uso promissor de Autômatos Celulares (ACs) no escalonamento em multiprocessadores. Assim, o objetivo desta pesquisa é a construção de um escalonador baseado em AC que, a partir do modelo de vizinhança linear, seja capaz de realizar o escalonamento ótimo (ou sub-ótimo) mediante a extração e reuso do conhecimento de uma aplicação em outras. Palavras-Chave. escalonamento de tarefas, sistemas multiprocessadores, autômatos celulares, vizinhança linear.
2 1. Introdução Autômatos Celulares (ACs) têm sido empregados com sucesso nos mais diversos campos de pesquisa da computação: criptografia [Wolfran 1986], simulação de sistemas complexos e de vida artificial [Oliveira 2003], entre outros. ACs são sistemas dinâmicos discretos (tempo e espaço) e possuem como uma de suas principais características a capacidade de emergir um comportamento global a partir de interações entre unidades locais. Trabalhos anteriores [Seredynski and Zomaya 2002], [Swiecicka et al. 2006] e [Vidica 2006] apontaram o uso promissor de abordagens baseadas em AC para o Problema de Escalonamento Estático de Tarefas (PEET). O PEET consiste basicamente em designar um conjunto de tarefas que compõem uma aplicação aos diversos processadores do sistema de tal forma que o Makespan ou tempo total da execução, seja mínimo. O problema é conhecido por ser NP-Completo em sua forma geral [Ullman 1975] e tem sido um grande desafio para muitos pesquisadores. Tendo em vista que algoritmos exatos não são capazes de encontrar soluções ótimas para quaisquer instâncias do problema em tempo considerável, o uso de métodos heurísticos tem sido muito frequente. O principal objetivo desta pesquisa é a construção de um novo método baseado em AC capaz de realizar o escalonamento estático de tarefas em sistemas multiprocessadores de modo ótimo (ou, pelo menos, sub-ótimo) para várias aplicações diferentes. A idéia principal é modelar um algoritmo apto a extrair conhecimento sobre o processo de escalonamento de uma determinada aplicação e reusá-lo no escalonamento de outras. Para auxiliar no processo de extração do conhecimento é trivial combinar o uso de ACs e Algoritmos Genéticos (AGs) conforme já foi proposto anteriormente em [Mitchell et al. 1996], devido ao grande espaço de regras existentes para determinados tamanhos de vizinhança. A seguir, nas seções 2, 3 e 4, são apresentadas, respectivamente, uma breve introdução acerca do problema de escalonamento de tarefas, alguns conceitos sobre ACs e o funcionamento de um escalonador baseado em ACs. Na seção 5 são exibidos alguns algoritmos clássicos para o problema. Em seguida, na seção 6, tem-se um esboço da metodologia criada para o desenvolvimento da proposta, o levantamento do estado atual e também um cronograma relacionado ao planejamento restante para a conclusão do trabalho. 2. Escalonamento de Tarefas em Multiprocessadores Um programa paralelo pode ser representado por um Grafo Acíclico Direcionado (GAD) definido por uma tupla G = (V, E, W, C), onde V ={ t 1,..., t N } denota o conjunto de N tarefas do grafo; E ={ e i,j t i, t j V } representa o conjunto de arestas de comunicação, também denominadas restrições de precedência; W ={ w 1,..., w n } representa o conjunto de tempos de execução das tarefa, ou seja, para cada tarefa t V é associado um peso de computação w(t) W referente ao custo de execução da mesma; e C = { c i,j e i,j E} denota o conjunto de custos de comunicação de arestas, ou seja, a cada aresta e i,j E é associado um custo de comunicação c i,j C relacionado ao custo de transferência de dados entre as tarefas t i e t j quando são executadas em processadores distintos. Satisfazendo essas condições G é denominado grafo de precedência de tarefas ou, simplesmente, grafo de programa. Na figura 1 tem-se um exemplo de um grafo de programa. É importante esclarecer que o conjunto de arestas E define as relações de precedência entre tarefas. Assim, uma tarefa não pode ser executada a menos que todos os seus predecessores tenham completado suas execuções e todos os dados relevantes estejam disponíveis. Preempção de tarefas e execuções redundantes não são permitidas na versão do problema considerado neste artigo.
3 Figure 1. Exemplo de um grafo de programa. Um sistema multiprocessador por sua vez, pode ser representado por um grafo não ponderado e não direcionado G s = (V s, E s ), denominado grafo de sistema. V s é o conjunto de N nós do grafo de sistema que representa os processadores de um computador paralelo de arquitetura MIMD ( Multiple Instruction Multiple Data) com suas respectivas memórias locais. E s é o conjunto de arestas representando canais bi-direcionais entre processadores e definindo a topologia do sistema multiprocessador. Nesse modelo assume-se também que todos os processadores tem o mesmo poder computacional e que as comunicações entre os canais não consomem qualquer tempo do processador. Na figura 2 é exibido um grafo de sistema para dois processadores: P0 e P1. Figure 2. Grafo de sistema para dois processadores: P0 e P1. O escalonamento de tarefas não é um problema novo. Existem na literatura vários trabalhos que estudam esse tema de diversas formas [Kwok and Ahmad 1999], estando relacionados ora a proposição de novos algoritmos e abordagens para o problema [Drozdowski 1997] e ora ao estudo teórico e matemático de fatores ligados ao próprio escalonamento [Motta et al. 2002]. É importante afirmar ainda que o problema possui diversas variações [Cardoso 2004], como por exemplo o caso dinâmico e estático. No primeiro as decisões de alocação se realizam durante a execução do programa, isto porque os custos de comunicação e de computação das tarefas não podem ser totalmente conhecidos em tempo de compilação. Já no segundo, informações relativas ao tempo de execução de cada tarefa e as relações de precedência são previamente especificadas. O caso considerado nesse trabalho é o escalonamento estático de tarefas. 3. Autômatos Celulares Um AC é um sistema composto por espaço celular e função de transição de estados. O espaço celular é um reticulado de N células (componentes simples e idênticos que possuem conectividade local e condições de contorno) dispostas em um arranjo d-dimensional. A regra ou função de transição f por sua vez, é responsável por determinar o próximo estado do AC a partir de seu estado atual, assim ela apresenta uma relação direta com o comportamento apresentado durante a evolução do reticulado. Diz-se evolução o processo de aplicar as regras sobre o reticulado por um número determinado de passos de tempo t. Ainda sobre a evolução de um reticulado, tal processo pode acontecer, normalmente, dos seguintes modos: Paralelo ou Síncrono: onde todas as células do reticulado atualizam seus estados sincronamente em cada passo de tempo.
4 Sequencial ou Assíncrono: em que apenas uma célula por vez atualiza o seu estado e esse novo estado é considerado na atualização das outras células. Diz-se sequencial porque a ordem em que cada célula é atualizada está representada na sequência do reticulado. Aleatório: a atualização das células é semelhante ao modo sequencial porém a ordem de atualização das células é definida aleatoriamente. Para cada célula i, chamada célula central, uma vizinhança de raio R é definida. Assim, o tamanho da vizinhança de i (que inclui a própria célula) é dado por: n i = 2R+1. É importante perceber que se a célula i no tempo t apresenta estado q t i, então o seu estado no tempo t + 1 dependerá apenas dos estados das células de sua vizinhança no tempo t, ou seja: q t+1 i = f(q t i, q t i1, q t i2,..., q t ni). Como exemplo, na figura 3(a) é exibido um autômato celular uni-dimensional, binário, de tamanho dez e de raio um. Na figura 3(b) tem-se uma função de transição e na figura 3(c) é apresentado a evolução do reticulado em modo paralelo e com condição de contorno periódica por dois passos de tempo. Figure 3. Exemplo de um AC: (a) reticulado inicial; (b) regra de transição; (c) evolução temporal. 4. Escalonamento Baseado em ACs Em [Seredynski and Zomaya 2002], é apresentado um escalonador baseado em AC que opera em dois modos: aprendizagem e operação. Nesse modelo de escalonador, cada célula do reticulado é associada a uma tarefa do grafo de programa. Considerando uma arquitetura composta por N processadores, o AC a ser utilizado tem N possíveis estados, além disso considerando o conjunto de tarefas de tamanho X o reticulado possuirá X células. Assim, supondo um sistema com dois processadores (P0 e P1), tem-se que cada célula do AC pode assumir, em um instante de tempo t, o valor 0, indicando que a tarefa correspondente está alocada no processador P0, ou o valor 1, indicando que a tarefa está alocada no processador P1. Por exemplo, o grafo de programa da figura 1, que é composto por 4 tarefas, deve ser representado por um reticulado de 4 células e em uma configuração onde as tarefas 0 e 3 estão alocadas em P0 e as tarefas 1 e 2 em P1, o reticulado será No modo de aprendizagem, o escalonador faz uso de um AG para descobrir regras capazes de encontrar soluções ótimas (ou sub-ótimas) para várias instâncias aleatórias de um grafo de programa. A população desse AG é composta de possíveis regras de transições de estados geradas de modo randômico. A cada geração do AG, também são gerados um conjunto de reticulados (CR) cujas alocações das tarefas se dão aleatoriamente. Assim, o método de avaliação da população (função de fitness do AG) é a evolução desse CR pelos individuos por t passos
5 de tempo. Após esse período cada reticulado do CR é escalonado mediante uma política de escalonamento escolhida a priori e então obtem-se a média de custo de escalonamento para aquela regra. Vale destacar que as melhores regras devem ser mantidas para a geração seguinte do AG (através de elitismo), e que apenas elas são consideradas na seleção de pais para o crossover. Para que o escalonador de AC obtenha bons resultados é importante optar por um modo de vizinhança capaz de capturar as relações entre as tarefas expressas no grafo de programa. Os modos de vizinhança podem ser divididos em lineares e não lineares. No primeiro assume-se que a estrutura não linear de um grafo de programa é aproximada para a estrutura linear de um AC, como foi apresentado na figura 3 (a). Já no modo de vizinhança não linear, a estrutura não linear de um grafo de programa é modelada através de uma estrutura também não linear de vizinhança de um AC. Para tanto, a vizinhança de uma célula do AC é baseada no conjunto de tarefas predecessoras, irmãs e sucessoras da tarefa analisada. Abaixo são introduzidos os dois tipos de vizinhança não lineares apresentados em [Seredynski and Zomaya 2002] e que, aliás, obtiveram os melhores resultados de escalonamento: Selecionada: A vizinhança selecionada de uma tarefa i do grafo de programa é formada pela própria tarefa e somente duas tarefas representativas de cada conjunto de tarefas predecessoras, irmãs e sucessoras da tarefa i. Estas tarefas representativas são, respectivamente, a tarefa com o valor máximo e a tarefa com o valor mínimo, de acordo com algum atributo das tarefas (custo de computação, de comunicação, entre outros) escolhido a priori. Totalística: A vizinhança totalística, diferentemente da vizinhança selecionada, considera todas as tarefas pertencentes aos conjuntos de predecessoras, irmãs e sucessoras de uma dada tarefa central, e não apenas as mais representativas de cada conjunto. No modo de operação normal espera-se que, para uma dada alocação inicial qualquer de tarefas, as regras de AC sejam capazes de minimizar o Makespam. É esperado também que a evolução das regras na fase de aprendizagem possa ser utilizada para o bom desempenho no escalonamento de outros grafos. Em [Swiecicka et al. 2006], tem-se um escalonador baseado em AC que opera em três modos: aprendizagem, operação e reutilização. Os dois primeiros modos são idênticos aos propostos por [Seredynski and Zomaya 2002]. No modo de reutilização as regras descobertas anteriormente são reusadas, com o apoio de um Sistema Imunológico Artificial (SIA), para resolver novas instâncias do problema. No modelo de SIA, as regras descobertas são consideradas anticorpos enquanto que novas instâncias do problema de escalonamento são tratadas como antígenos. Dessa forma, um dado anticorpo reconhece um antígeno específico se ele pode encontrar um escalonamento ótimo para ele. O trabalho de [Vidica 2006] é baseado nos conceitos de escalonador propostos em [Seredynski and Zomaya 2002] e [Swiecicka et al. 2006] e tem como principal contribuição duas novas abordagens para o modo de aprendizagem. A primeira, denominada evolução conjunta, consiste em utilizar, paralelamente, mais de um grafo de programa durante a evolução das regras. O outro modelo, chamado ambiente coevolutivo, consiste na troca do AG tradicional por um Algoritmo Genético Coevolutivo (AGC). Os AGCs diferem dos AGs tradicionais por utilizarem duas populações durante o processo evolutivo. Dessa forma, foi designada uma população de possíveis soluções (regras de AC) e outra população de instâncias do problema a resolver (diferentes grafos de programa).
6 5. Algoritmos de Escalonamento Clássicos Os algoritmos de escalonamento clássicos para o PEET, também denominados heurísticas de construção, se diferem dos metaheurísticos em vários aspectos. Entretanto, a principal diferença é que eles constroem a cada passo um único escalonamento como resposta a uma determinada entrada enquanto que estes trabalham com um conjunto de escalonamentos. O intuito de estudar os algoritmos clássicos é que alguns deles possuem estruturas de escalonamento muito simples, com bons resultados e que podem ser bem incorporados ao modelo de escalonador baseado em AC deste trabalho. O HLFET (Hightest Level First with Estimated Times) por exemplo, possui uma estrutura de escalonamento simples que consiste na criação de uma lista ordenada descendentemente de acordo com o nível estático das tarefas. Já o ISH (Insertion Scheduling Heuristic) e o MCP (Modified Critical Path) tentam cobrir espaços de tempo vazios nos processadores escalonando tarefas que já estão prontas neles. O ETF (Earliest Time First) por sua vez, avalia cada par tarefa-processador possível a fim de escalonar a relação que possui menor tempo de início, enquanto que, o DLS (Dynamic Level Scheduling) através de um cálculo, denominado Dynamic Level (DL), realizado para todos os pares tarefaprocessador aloca o par com maior valor de DL. 6. Metodologia e Estado da Pesquisa A primeira etapa para o desenvolvimento da pesquisa foi a reprodução do trabalho de [Vidica 2006]. Diante disso, os conceitos de vizinhanças não lineares propostos por [Seredynski and Zomaya 2002] também foram estudados e replicados enquanto que as novas estruturas incorporadas ao modelo de escalonamento baseado em AC propostas por [Swiecicka et al. 2006] tem sido cuidadosamente pesquisadas. Essa etapa é crucial para a pesquisa porque está diretamente relacionada ao propósito dela: o desenvolvimento de um modelo mais eficiente para o PEET através do modo de vizinhança linear. Paralelamente a etapa descrita anteriormente tem acontecido o levantamento do estado da arte no que diz respeito ao problema de escalonamento de tarefas, haja vista que os trabalhos mencionados no parágrafo anterior não expõe de forma precisa a contribuição de seus modelos por não considerarem as várias subdivisões do problema. Diante disso, foi feito um estudo sobre as taxonomias para o problema geral [Casavant and Kuhl 1988] e, especificamente, para o PEET [Kwok and Ahmad 1999] a fim de levantar precisamente a área de contribuição do modelo a ser desenvolvido. ATIVIDADES Dez 10 Jan 11 Fev 11 Mar 11 Abr 11 Mai 11 Jun 11 Jul 11 Ago 11 Reprodução Abordagem Avaliação Escrita Defesa Table 1. Cronograma geral de atividades. Na tabela 1 é apresentado o cronograma geral de atividades a serem realizadas até a defesa da dissertação. A etapa de Reprodução faz referência a replicação de experimentos de [Seredynski and Zomaya 2002], [Swiecicka et al. 2006] e [Vidica 2006] e estudo de trabalhos que podem auxiliar na pesquisa [Kwok and Ahmad 1999]. A Abordagem está relacionada
7 ao período designado para construção e desenvolvimento da proposta. Já a Avaliação é o período destinado a analisar quantitativamente e qualitativamente a eficiência do modelo. O período destinado a Escrita e a Defesa estão, respectivamente, ligados à escrita, tanto de artigos quanto da própria tese, e apresentação do projeto. References Cardoso, D. F. (2004). Escalonamento estático de tarefas em ambientes computacionais heterogêneos sob o modelo logp. Master s thesis, Universidade Federal Fluminense - Programa de Pós-Graduação em Computação. Casavant, T. L. and Kuhl, J. G. (1988). A taxonomy of scheduling in general-purpose distributed computing systems. IEEE Transactions on Software Enginnering, 14(2): Drozdowski, M. (1997). Selected Problems of Scheduling Tasks in Multiprocessor Computer Systems. PhD thesis, Instytut Informatyki Politechnika Poznanska. Kwok, Y.-K. and Ahmad, I. (1999). Static scheduling algorithms for allocating directed task graphs to multiprocessors. ACM Computing Surveys, 31(4): Mitchell, M., Crutchfield, J. P., and Das, R. (1996). Evolving cellular automata with genetic algorithms: A review of recent work. In Proceedings of the First International Conference on Evolutionary Computation and Its Applications (EvCA 96). Motta, E., Rajpathak, D., Zdrahal, Z., and Roy, R. (2002). The epistemology of scheduling problems. 15th European Conference on Artificial Intelligence (ECAI 2002). Oliveira, G. M. B. (2003). Autômatos celulares: aspectos dinâmicos e computacionais. III Jornada de Mini-cursos em Inteligência Artificial (MCIA), 8: Seredynski, F. and Zomaya, A. Y. (2002). Sequential and parallel cellular automatabased scheduling algorithms. IEEE Transactions on Parallel and Distributed Systems, 13(10): Swiecicka, A., Seredynski, F., and Zomaya, A. Y. (2006). Multiprocessor scheduling and rescheduling with use of cellular automata and artificial immune system support. IEEE Transactions on Parallel and Distributed Systems, 17(3): Ullman, J. D. (1975). NP-complete scheduling problems. Journal of Computer and System Science, 10(3): Vidica, P. M. (2006). Autômatos celulares e algoritmos genéticos aplicados ao problema do escalonamento de tarefas em sistemas multiprocessadores. Master s thesis, Universidade Federal de Uberlândia - Programa de Pós-Graduação em Ciência da Computação. Wolfran, S. (1986). Cryptography with cellular automata. Advances in Cryptology: Crypto 85 Proceedings, 218:
UM MODELO BASEADO EM AUTÔMATOS CELULARES SÍNCRONOS PARA O ESCALONAMENTO DE TAREFAS EM MULTIPROCESSADORES
UM MODELO BASEADO EM AUTÔMATOS CELULARES SÍNCRONOS PARA O ESCALONAMENTO DE TAREFAS EM MULTIPROCESSADORES Murillo G. Carneiro and Gina M. B. Oliveira Universidade Federal de Uberlândia murillo@mestrado.ufu.br,
Leia maisABORDAGENS BASEADAS EM AUTÔMATOS CELULARES SÍNCRONOS PARA O ESCALONAMENTO ESTÁTICO DE TAREFAS EM MULTIPROCESSADORES
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE CIÊNCIA DA COMPUTAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO ABORDAGENS BASEADAS EM AUTÔMATOS CELULARES SÍNCRONOS PARA O ESCALONAMENTO ESTÁTICO
Leia maisModelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora
Modelo de Algoritmo Genético para o Escalonamento de Tarefas em uma Arquitetura Multiprocessadora Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em
Leia maisEstudo Comparativo de Algoritmos de Escalonamento para Grades Computacionais
Estudo Comparativo de Algoritmos de Escalonamento para Grades Computacionais Alvaro Henry Mamani Aliaga e Alfredo Goldman Instituto de Matemática e Estatística Departamento de Ciência da Computação Universidade
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 maisEstudo Comparativo de Técnicas de Escalonamento de Tarefas Dependentes para Grades Computacionais
Estudo Comparativo de Técnicas de Escalonamento de Tarefas Dependentes para Grades Computacionais Candidato Alvaro Henry Mamani Aliaga 1 Orientador Alfredo Goldman Instituto de Matemática e Estatística
Leia maisScheduling 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 maisESCALONAMENTO DE TAREFAS BASEADO EM AUTÔMATOS CELULARES COM USO DOS PARÂMETROS DE PREVISÃO DO COMPORTAMENTO DINÂMICO
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE CIÊNCIA DA COMPUTAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO ESCALONAMENTO DE TAREFAS BASEADO EM AUTÔMATOS CELULARES COM USO DOS PARÂMETROS DE
Leia maisEscalonamento de Aplicações BoT em Ambiente de Nuvem
Escalonamento de Aplicações BoT em Ambiente de Nuvem Maicon Ança dos Santos 1 Fernando Angelin 1 Gerson Geraldo H. Cavalheiro 1 1 Universidade Federal de Pelotas {madsantos,fangelin,gerson.cavalheiro}@inf.ufpel.edu.br
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 1.7. Outras Metaheurísticas Populacionais 1.7.1. Metaheurísticas Populacionais
Leia maisEscalonamento de Processos em Sistemas Distribuídos: Uma Visão Geral
Escalonamento de Processos em Sistemas Distribuídos: Uma Visão Geral Tiago Roberto C. da Silva Instituto de Informática Universidade Federal do Rio Grande do Sul (UFRGS) Caixa Postal 15.064 91.501-970
Leia maisToward an Architecture-Independent Analysis of Parallel Algorithms
1/22 Introdução O algoritmo de aproximação Aplicações em Problemas Concretos Problemas Abertos Referências Toward an Architecture-Independent Analysis of Parallel Algorithms Mijail Gamarra Holguin 18 de
Leia maisUm Algoritmo de Escalonamento para Redução do Consumo de Energia em Computação em Nuvem
Um Algoritmo de Escalonamento para Redução do Consumo de Energia em Computação em Nuvem Pedro Paulo Vezzá Campos Orientador: Prof. Dr. Daniel Macêdo Batista MAC0499 Trabalho de Formatura Supervisionado
Leia maisOtimização 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
Leia maisImplementação de um escalonador de processos em GPU
Implementação de um escalonador de processos em GPU Guilherme Martins guilhermemartins@usp.br 6 de abril de 2017 Guilherme Martins (guilhermemartins@usp.br) Implementação de um escalonador de processos
Leia maisEscalonamento de Tarefas Divisíveis em Redes Estrela
Escalonamento de Tarefas Divisíveis em Redes Estrela Elbio Renato Torres Abib 1, Celso Carneiro Ribeiro 2 1 Departamento de Informática União Pioneira de Integração Social SEPS 712/912, Conj. A - Asa Sul
Leia maisINVESTIGAÇÕES SOBRE A TAREFA DA CLASSIFICAÇÃO DA DENSIDADE EM AUTÔMATOS CELULARES BIDIMENSIONAIS
PIBIC-UFU, CNPq & FAPEMIG Universidade Federal de Uberlândia Pró-Reitoria de Pesquisa e Pós-Graduação DIRETORIA DE PESQUISA INVESTIGAÇÕES SOBRE A TAREFA DA CLASSIFICAÇÃO DA DENSIDADE EM AUTÔMATOS CELULARES
Leia maisPrevisão dinâmica e recurso compartilhado auxiliando a busca evolutiva de autômatos celulares bidimensionais
1 Previsão dinâmica e recurso compartilhado auxiliando a busca evolutiva de autômatos celulares bidimensionais Gina M. B. de Oliveira e Sandra R. C. Siqueira Abstract Autômatos celulares (ACs) são sistemas
Leia maisUm Algoritmo de Escalonamento com Intercalação de Processos em Grades Computacionais
6 Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos 413 Um Algoritmo de Escalonamento com Intercalação de Processos em Grades Computacionais Luiz F. Bittencourt, Edmundo R. M. Madeira
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisComputação Evolucionária
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ UTFPR Programa de Pós-Graduação em Engenharia e Informática CPGEI Laboratório de Bioinformática e Inteligência Computacional Câmpus Curitiba (PR) Computação Evolucionária
Leia maisConceitos Básicos dos Sistemas de Tempo Real
Conceitos Básicos dos Sistemas de Tempo Real Rômulo Silva de Oliveira Edição do Autor, 2018 www.romulosilvadeoliveira.eng.br/livrotemporeal Outubro/2018 1 Sistemas computacionais com requisitos de tempo
Leia maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia maisInteligência 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
Leia maisAlgoritmos 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
Leia maisUm Estudo sobre Algoritmos de Escalonamento para Grids Computacionais
Um Estudo sobre Algoritmos de Escalonamento para Grids Computacionais Carlos Fran F. Dantas 1, Sebastião Emídio A. Filho 1 1 Departamento de Informática Universidade do Estado do Rio Grande do Norte (UERN)
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisEVOLUÇÃO DE AUTÔMATOS CELULARES PARA RESOLUÇÃO DA TAREFA DE SINCRONIZAÇÃO UNIDIMENSIONAL E BIDIMENSIONAL
CONVÊNIOS CNPq/UFU & FAPEMIG/UFU Universidade Federal de Uberlândia Pró-Reitoria de Pesquisa e Pós-Graduação DIRETORIA DE PESQUISA COMISSÃO INSTITUCIONAL DE INICIAÇÃO CIENTÍFICA 2008 UFU 30 anos EVOLUÇÃO
Leia maisUmmétodohíbridoparaescalonar turnosdeenfermeiras
Ummétodohíbridoparaescalonar turnosdeenfermeiras Alexandre Luiz J. H. Albano e Marcio Oshiro Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação Um método
Leia maisAlgoritmos de Escalonamento do Preactor. Algoritmos de Escalonamento do Preactor. INESC Porto Unidade de Engenharia de Sistemas de Produção
Algoritmos de Escalonamento do Preactor INESC Porto Unidade de Engenharia de Sistemas de Produção Identificação do Documento: Código do Documento Nome do Documento Nome do Ficheiro RI.03 Algoritmos de
Leia maisAlgoritmos evolutivos paralelos. Carlos Eduardo Cuzik Marcos Felipe Eipper Ramon Artner Rocha
Algoritmos evolutivos paralelos Carlos Eduardo Cuzik Marcos Felipe Eipper Ramon Artner Rocha Introdução O mesmo de sempre mas com thread. Obrigado Fake news Introdução de verdade Era da informação - Big
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisIntrodução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
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 mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisEconomia de Energia em Sistemas Embarcados com Multiprocessadores Homogêneos ou Heterogêneos
MAC0461 e MAC5758 Introdução ao Escalonamento e Aplicações Economia de Energia em Sistemas Embarcados com Multiprocessadores Homogêneos ou Heterogêneos Victoriano Alfonso Phocco Diaz alfonso7@ime.usp.br
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisDEMONSTRATIVO DE CÁLCULO DE APOSENTADORIA - FORMAÇÃO DE CAPITAL E ESGOTAMENTO DAS CONTRIBUIÇÕES
Página 1 de 28 Atualização: da poupança jun/81 1 133.540,00 15,78 10,00% 13.354,00 10,00% 13.354,00 26.708,00-0,000% - 26.708,00 26.708,00 26.708,00 jul/81 2 133.540,00 15,78 10,00% 13.354,00 10,00% 13.354,00
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisFundamentos 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
Leia maisLinear para o Problema de Escalonamento de Workflows em Múltiplos Provedores de Nuvem
Discretização do Tempo na Utilização de Programação Linear para o Problema de Escalonamento de Workflows em Múltiplos Provedores de Nuvem Thiago A. L. Genez, Luiz F. Bittencourt, Edmundo R. M. Madeira
Leia mais11/1/2012. 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)
Leia maisAlgoritmos de Escalonamento
Algoritmos de Escalonamento Grupo 9 Luiz Otávio Duarte Marcelo Carvalho Sacchetin Orientação: Prof. Dr. Norian Marranghello Sumário 1. Algoritmo Genético 1.1. Escalonamento de tarefas de Multiprocessadores
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 maisÁrvores. SCC-214 Projeto de Algoritmos. Thiago A. S. Pardo. Um nó após o outro, adjacentes Sem relações hierárquicas entre os nós, em geral
SCC-214 Projeto de Algoritmos Thiago A. S. Pardo Listas e árvores Listas lineares Um nó após o outro, adjacentes Sem relações hierárquicas entre os nós, em geral Diversas aplicações necessitam de estruturas
Leia maisArquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano. Desenvolvimento de Aplicações Paralelas
Arquitecturas Paralelas I Computação Paralela em Larga Escala LESI - 4º Ano Desenvolvimento de Aplicações Paralelas (gec.di.uminho.pt/lesi/ap10203/aula06aplicaçõespar.pdf) João Luís Ferreira Sobral Departamento
Leia maisAlgoritmos Genéticos Fundamentos e Aplicações. Prof. Juan Moisés Mauricio Villanueva
Algoritmos Genéticos Fundamentos e Aplicações Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br Conteúdo Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de Algoritmos
Leia maisALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA Igor Acassio Melo
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisEscalonador de Ordens de Produção Utilizando Algoritmos Genéticos
Escalonador de Ordens de Produção Utilizando Algoritmos Genéticos Nome: Wilian Kohler Supervisor na FURB: Prof. Jomi Fred Hübner Orientador na Empresa: Evaldo Moresco Jr. Empresa: Metalúrgica Siemsen Ltda.
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
Matriz Curricular FGGCOMP - Bacharelado em Ciência da Computação 0. Disciplinas Obrigatórias FGGCOMP.00 Cálculo I FGGELET.00 - Cálculo I / FGGMATE.00 - Cálculo Diferencial e Integral I FGGCOMP.00 Geometria
Leia maisProfa. Sheila Morais de Almeida. março
Classificação das Ciências Profa. Sheila Morais de Almeida DAINF-UTFPR-PG março - 2019 Sheila Almeida (DAINF-UTFPR-PG) Classificação das Ciências março - 2019 1 / 23 Este material é preparado usando como
Leia mais1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador
1 Introdução 1.1 Descrição do problema A programação genética (PG) é uma meta-heurística utilizada para gerar programas de computadores, de modo que o computador possa resolver problemas de forma automática
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 maisEscalonamento em uma máquina
Capítulo 4 Escalonamento em uma máquina Veremos neste capítulo vários problemas relacionados ao escalonamento em uma máquina. Estes problemas são importantes, pois além de fornecerem idéias para problemas
Leia maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisNotas da Aula 11 - Fundamentos de Sistemas Operacionais
Notas da Aula 11 - Fundamentos de Sistemas Operacionais 1. Escalonamento de Tempo Real Em sistemas de tempo real, o objetivo principal do escalonador é garantir que todos os processos sejam executados
Leia maisReferências bibliográficas
6 Referências bibliográficas [1] ALDA, W.; DZWINEL, W.; KITOWSKI, J.; MOSCINSKI, J. ; YUEN, D. A.. Penetration mechanics via molecular dynamics. Research Report UMSI 93/58, University of Minnesota Supercomputing
Leia maisExecutivo Cíclico. Executivo Cíclico Introdução. Sistemas de Tempo Real: Executivo Cíclico Exemplo. Executivo Cíclico Introdução
Sistemas de Tempo Real: Executivo Cíclico Rômulo Silva de Oliveira Departamento de Automação e Sistemas - DAS UFSC romulo.deoliveira@ufsc.br http://www.romulosilvadeoliveira.eng.br Setembro/201 1 Também
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 Tel: ()-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP -
Leia maisPesquisa 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
Leia maisPalavras Chave: Autômatos Celulares, Algoritmos Genéticos, Tarefa de Classificação da Densidade.
1 ALGORITMOS GENÉTICOS USADOS NA OBTENÇÃO DE AUTÔMATOS CELULARES PARA RESOLUÇÃO DA TAREFA DE CLASSIFICAÇÃO DE DENSIDADE NO ESPAÇO BIDIMENSIONAL ENRIQUE FYNN 1, GINA MAIRA B. DE OLIVEIRA 2, LUIZ GUSTAVO
Leia maisUma 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
Leia mais4 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
Leia maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 70-000 Tel: (7)-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP
Leia maisPCC173 - 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
Leia maisModelos e Métodos de Resolução para Problemas de Escalonamento de Projetos
Universidade Federal de Ouro Preto Departamento de Computação Modelos e Métodos de Resolução para Problemas de Escalonamento de Projetos Haroldo Gambini Santos Túlio A. Machado Toffolo Marco A.M. de Carvalho
Leia maisCaracterização. Sistemas de Tempo Real: Caracterização. Caracterização. Caracterização. Concepções Erradas. Mercados
Sistemas de Tempo Real: Rômulo Silva de Oliveira Departamento de Automação e Sistemas DAS UFSC romulo@das.ufsc.br http://www.das.ufsc.br/~romulo Maio/2009 1 Sistemas computacionais com requisitos de real:
Leia maisComputação Bioinspirada PROF. PAULO SALGADO
Computação Bioinspirada AULA 1 APRESENTAÇÃO DA DISCIPLINA PROF. PAULO SALGADO Aula de hoje Falar sobre Objetivos Ementa Avaliação Roteiro Proposto (Cronograma) Referências Periódicos da Área Objetivos
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 maisSERVIÇO PÚBLICO FEDERAL MINISTÉRIO DA EDUCAÇÃO INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DE MINAS GERAIS IFMG
LEI Nº.9, DE 9//00, PUBLICADA NO DOU DE 0//00, SEÇÃO I, PAGS. I - Rua São Luiz Gonzaga, s/n - São Luiz - Formiga - MG - CEP: 0-000 Tel: ()-09 - Site: www.formiga.ifmg.edu.br Matriz Curricular FGGCOMP -
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisDESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia maisINPE Outubro, Fabiana. S. Santana, César Bravo, Antonio. M. Saraiva Projeto:
INPE Outubro, 2008 Fabiana. S. Santana, César Bravo, Antonio. M. Saraiva fabiana.santana@usp.br, amsaraiv@usp.br Apoio: Instituição: Projeto: Objetivos: Apresentar versão de alto desempenho para o Garp
Leia maisGENERALIZAÇÃO DE ESTRATÉGIAS DE DESCONTAMINAÇÃO DE RETICULADOS DE AUTÔMATOS CELULARES
GENERALIZAÇÃO DE ESTRATÉGIAS DE DESCONTAMINAÇÃO DE RETICULADOS DE AUTÔMATOS CELULARES MARCELO A. NOGUEIRA 2, PEDRO P.B. DE OLIVEIRA 1,2 Universidade Presbiteriana Mackenzie 1 Faculdade de Computação e
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) Informação - ICPG - Criciuma - SC 1 Características Gerais, operadores, algoritmo.
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia maisTópicos 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
Leia maisMarcone Jamilson Freitas Souza
Otimização: Algumas aplicações Marcone Jamilson Freitas Souza Departamento de Computação Programa de Pós-Graduação em Ciência da Computação Universidade Federal de Ouro Preto http://www.decom.ufop.br/prof/marcone
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 mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia mais3 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
Leia maisOptimização do tempo de processamento de aplicações em clusters em ambiente multi-utilizador
FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO Optimização do tempo de processamento de aplicações em clusters em ambiente multi-utilizador Belmiro Daniel Rodrigues Moreira Dissertação Mestrado Integrado
Leia maisProblema de Satisfação de Restrições
Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas para PSRs Problema de Satisfação
Leia maisProblema de Satisfação de Restrições. Problema de Satisfação de Restrições. Grafo de restrições. Exemplo: 4 Rainhas como um PSR
Problema de Satisfação de Restrições Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas
Leia maisSistemas Operacionais. Gerência de Processador
Sistemas Operacionais Gerência de Processador Sumário 1. Introdução 2. Funções Básicas do Escalonamento 3. Critérios de Escalonamento 4. Escalonamento 1. Não-Preemptivo 2. Preemptivo 5. Políticas de Escalonamento
Leia maisUm algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
Leia maisMecanismos de Interrupção e de Exceção, Barramento, Redes e Sistemas Distribuídos. Sistemas Operacionais, Sistemas
Arquitetura de Computadores, Arquitetura de Computadores Organização de Computadores, Conjunto de Instruções, Sistemas Operacionais, Sistemas Operacionais, Sistemas Mecanismos de Interrupção e de Exceção,
Leia maisAnálise de Desempenho de Estratégias de Particionamento de Grafos
Análise de Desempenho de Estratégias de Particionamento de Grafos Diogo T. Murata, Rodrigo M. Martins, Vanderson M. do Rosario, Anderson F. da Silva 1 Departamento de Informática - Universidade Estadual
Leia mais3 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
Leia maisAprendizado de Máquinas. Seleção de Características
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Seleção de Características David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução Um dos principais aspectos na construção de um
Leia maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisPalestra COPPE Elétrica. Dezembro de 2010
Palestra COPPE Elétrica Dezembro de 2010 Aplicações de Computação Evolutiva e Otimização Multi-objetivo em Sistemas Elétricos de Potência Oriane Magela Neto Depto. De Engenharia Elétrica da UFMG Sistemas
Leia maisESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP
ESTUDO DOS PARAMETROS DE UM ALGORITMO GENÉTICO PARA POSTERIOR USO NA SOLUÇÃO DE PROBLEMAS DO TIPO JOB-SHOP Gilson Rogério Batista, Gideon Villar Leandro Universidade Regional do Noroeste do Estado do Rio
Leia maisNOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
Leia mais