Monograa de MAC5758 Um método híbrido para escalonar turnos de enfermeiras
|
|
- Valentina Castilho Igrejas
- 6 Há anos
- Visualizações:
Transcrição
1 Monograa de MAC5758 Um método híbrido para escalonar turnos de enfermeiras Alexandre Albano Marcio Oshiro 14 de dezembro de Introdução Nesta monograa estudaremos o problema do escalonamento de turno de enfermeiras. Ou seja, o problema de em quais turnos cada enfermeira deve trabalhar. Escalonamento de empregados a turnos de trabalho ou tarefas é um problema que tem sido estudado há bastante tempo. Do ponto de vista teórico, o caso particular das enfermeiras é bem interessante por haver uma quantidade muito grande de restrições envolvidas. Do ponto de vista prático é um problema com grande motivação, dado que as despesas com enfermeiras representam uma parcela expressiva do orçamento de um hospital. Além disso, um bom escalonamento pode melhorar a qualidade de vida das enfermeiras e conseqüentemente melhorar a qualidade no atendimento do hospital. No artigo de Edmund Burk, Jingpeng Li e Rong Qu [BLQ10] é proposta uma técnica híbrida que combina programação inteira e uma meta-heurística chamada VNS (Variable Neighbourhood Search) para resolver esse problema de escalonamento. A idéia é tentar juntar as vantagens dos métodos exatos e métodos heurísticos já conhecidos. Dessa forma, espera-se obter soluções melhores com tempo de processamento menor. Esse método híbrido é comparado com uma solução comercial utilizada em um hospital holandês, revelando, de fato, melhores soluções. 1
2 2 O problema de escalonar enfermeiras No problema do escalonamento de turno de enfermeiras o objetivo é atribuir, para cada enfermeira, um subconjuto de turnos de trabalho em um hospital por um determinado período de tempo (janela). Chamamos essa atribuição de escalonamento de enfermeiras. A tabela 1 mostra um exemplo de escalonamento de enfermeiras. 4a-feira 5a-feira 6a-feira sábado domingo Enfermeira 1 manhã manhã tarde noite Enfermeira 2 tarde noite noite noite tarde Enfermeira 3 madrugada tarde manhã Enfermeira 4 madrugada madrugada manhã manhã Tabela 1: Exemplo de escalonamento de enfermeiras Certamente, não é qualquer escalonamento que nos interessa. O que procuramos é um escalonamento que satisfaça determinadas restrições. Tais escalonamentos são chamados de escalonamentos viáveis. No caso de enfermeiras, um exemplo de restrição desejada é a de cobertura, isto é, deve existir um número mínimo de enfermeiras trabalhando em cada turno de cada dia. O planejamento de um bom escalonamento de enfermeiras é importante por vários motivos. Com um bom escalonamento podemos evitar a contratação excessiva de enfermeiras e garantir um número suciente de enfermeiras no hospital. Dessa forma, diminui-se o gasto com contratações. Um bom escalonamento também pode evitar de sobrecarregar a carga de trabalho de uma enfermeira e tentar atribuir turnos de forma a melhorar a qualidade de vida e satisfação do trabalho das enfermeiras. Isso afeta diretamente a qualidade de atendimento de um hospital. Encontrar um bom escalonamento de enfermeiras aparenta ser uma tarefa bem mais desaadora do que o problema mais geral de escalonamento de empregados. A grande diferença está em algumas particularidades referente ao ambiente de trabalho das enfermeiras. Diferente de outros ambientes de trabalho, um hospital precisa estar sempre funcionando 24 horas por dia. Devido a isso, existem leis e acordos trabalhistas visando evitar um escalonamento que prejudique de alguma forma a saúde das enfermeiras. Em geral, por esse e outros motivos, um escalonamento de enfermeiras precisa satisfazer um conjunto grande de restrições. 2
3 As restrições para um escalonamento de enfermeiras são denidas por leis trabalhistas, regras do hospital e do sindicato, preferências das enfermeiras, etc. Logo, as restrições podem mudar dependendo do hospital e sua localização. Vamos dividir as restrições em duas classes: fortes e fracas. Uma restrição é forte se ela precisa ser obrigatoriamente satisfeita para que o escalonamento seja viável. Uma restrição é fraca se ela é desejável, mas não é necessário que seja satisfeita para que o escalonamento seja viável. Em geral, as restrições fortes são aquelas impostas por leis e por regras de hospitais e sindicatos. Já as restrições fracas são geralmente referentes às preferências das enfermeiras. Apesar de não serem obrigatórias, queremos satisfazer o maior número possível de restrições fracas. Edmund Burke, Jingpeng Li e Rong Qu [BLQ10] estudaram um problema real de escalonamento de enfermeiras. Esse problema consiste em designar enfermeiras para turnos em uma unidade de terapia intensiva de um hospital holandês. São considerados 4 tipos de turnos: madrugada, manhã, tarde e noite. O escalonamento precisa cobrir uma janela de 5 semanas para 16 enfermeiras. As enfermeiras podem ter contratos de trabalho diferentes. Não consideramos as qualicações das enfermeiras, pois elas já são bem experientes e as enfermeiras em treinamento não são consideradas. As restrições fortes, que devem sempre ser satisfeitas, são as seguintes. Fo1: Cobertura mínima de serviço (não pode haver turno com falta de enfermeiras) Fo2: Para cada dia, uma enfermeira não pode iniciar dois turnos. Fo3: Cada enfermeira não pode trabalhar mais do que um determinado número de dias (dentro da janela). Esse número máximo de dias depende da enfermeira. Fo4: Cada enfermeira não pode trabalhar em mais do que um determinado número de ns de semana (dentro da janela). Para o tamanho de janela que usaremos, este número será xado em 3. Fo5: Cada enfermeira não pode trabalhar em mais do que um determinado número de turnos de madrugada (dentro da janela). Para o tamanho de janela que usaremos, este número será xado em 3. Fo6: Se uma enfermeira receber um turno de madrugada, então ela obrigatoriamente recebe também um turno de madrugada no dia anterior 3
4 ou no dia posterior. Isto é, para cada enfermeira, é proibido que esta receba um turno de madrugada "isolado". Fo7: Após uma série de turnos de madrugada, é obrigatório que uma enfermeira receba dois dias livres de folga. Fo8: Cada enfermeira não pode trabalhar em mais do que um determinado número de turnos de madrugada seguidos (dentro da janela). Esse número máximo é xado para todas as enfermeiras. Fo9: Cada enfermeira não pode trabalhar mais do que um determinado número de dias seguidos (dentro da janela). Esse número máximo é xado para todas as enfermeiras. Fo10: Existe uma enfermeira que não pode receber turnos noturnos As restrições fracas estão listadas abaixo. É certo que em uma situação real, não podemos satisfazer todas elas, mas queremos satisfazer o maior número possível de restrições fracas sem violar alguma restrição forte. Fr1: Ter m de semana completo (uma enfermeira ou tem dois turnos no m de semana, ou não tem nenhum). Fr2: Evitar de atribuir um turno de trabalho entre dois dias de folga Fr3: Ter um número mínimo de dias de folga após uma série de turnos. Fr4: Ter um número máximo/mínimo de turnos de um tipo especíco designados Fr5: Ter um número máximo/mínimo de dias de trabalho por semana. Fr6: Número máximo de dias consecutivos de trabalho para enfermeiras contratadas em regime de meio período. Fr7: Evitar certas seqüências de turnos (por exemplo, um turno da tarde em um dia e de manhã no dia seguinte) 4
5 2.1 Abordagens conhecidas para o problema de escalonamento de enfermeiras Segundo [Kar72], a maioria dos problemas de escalonamento de enfermeiras é NP-difícil, ou seja, sob a hipótese de que P NP, não existem algoritmos ecientes para resolver tais problemas. Ademais, são considerados por [TK82] como mais complicados do que o problema do caixeiro viajante. Em geral, as técnicas a disposição para se atacar o problema podem ser classicadas como exatas ou (meta)heurísticas. Tradicionalmente, programação matemática é a ferramenta associada às técnicas exatas [Bea97, BFM96, BP05, WP72]. Apesar da vantagem de otimalidade garantida, essas abordagens apresentam diculdades computacionais devido ao tamanho muito grande do espaço de busca. Em algumas propostas, as dimensões do problema são restritas para se obter um modelo simplicado. Contudo, isso leva a soluções que não são aplicáveis em situações reais em um hospital. Em face dessa diculdade, ao menos desde 1979 [SBW79] atenção foi dada ao uso de heurísticas para resolver problemas de escalonamento de enfermeiras. Uma metaheurística muito aplicada ao problema é a de algoritmos genéticos [AD00, AD04, EM99, KYY + 01]. Mas também foram aplicadas as seguintes metaheurísticas: simulated annealing [BJ93], busca tabu [BKS03], variable neighborhood search [BCPB04], algoritmos mimetizantes [BCCB01]. Contudo, metaheurísticas têm os seguintes reveses: não produzem garantidamente soluções ótimas, não reduzem garantidamente o espaço de busca e não têm em geral um critério de parada bem denido. Além disso, devido à maioria dos problemas de escalonamento de enfermeiras apresentar muitas restrições, em muitas vezes, a região viável é desconexa e em geral metaheurísticas apresentam diculdades ao lidar com esse cenário. Considerando as vantagens e desvantagens de ambas abordagens, no trabalho [BLQ10] é apresentada uma tentativa de integração entre as duas abordagens. A metaheurística envolvida nessa tentativa é a variable neighborhood search. 3 Variable neighborhood search A metaheurística variable neighborhood search, ou simplesmente VNS, é relativamente recente e é uma variação da busca local. Na busca local tentamos achar uma solução melhor que a atual procurando em uma região restrita 5
6 do espaço de soluções viáveis que contém a solução atual. Isso é repetido até que não consigamos melhorar a solução atual. Esse processo pode ser muito lento, dependendo da vizinhança em que consideramos para uma solução. Então, basicamente, a idéia utilizada na VNS é mudar o conceito de vizinhança entre cada busca. De forma um pouco mais precisa, primeiro denimos um número nito k de sistemas de vizinhanças, N 1, N 2,..., N k. Um sistema de vizinhanças é algo que, dado uma solução, diz quais são as soluções que são consideradas vizinhas. Por exemplo, um sistema de vizinhanças pode se denido pela seguinte equivalência: duas soluções são vizinhas se e somente se diferem apenas na troca entre dois turnos de duas enfermeiras quaisquer. Para facilitar o entendimento, podemos considerar que os sistemas de vizinhanças são funções que recebem uma solução x e devolvem o conjunto N i (x) de soluções vizinhas de x. Denidos os sistemas de vizinhanças, a VNS começa com uma solução viável x e um sistema inicial de vizinhanças N 1. Consideramos as soluções vizinhas a x, segundo N 1. Se não for encontrada uma vizinha de x que seja melhor, passa-se para o próximo sistema de vizinhanças N 2. Repetindo essa busca para x considerando N 2, se for encontrada uma solução y melhor do que x, então o sistema de vizinhanças usado na busca volta a ser N 1. Como o número de sistemas de vizinhanças é nito, o algoritmo termina quando nenhuma solução melhor é encontrada ao se buscar no último sistema N k. A princípio, na descrição da metaheurística VNS não há nenhuma exigência quanto a relação entre os vários sistemas de vizinhanças considerados. No entanto, dependendo do que queremos alguma relação entre os sistemas de vizinhanças será necessária. Por exemplo, se quisermos garantia de encontrar uma solução ótima global e não apenas local, precisamos que, para cada solução viável x, N 1 (x) N 2 (x),..., N k (x) seja toda a região viável da instância do problema. A ordem em que os sistemas de vizinhanças são considerados também não é pré-determinada, mas pode inuenciar bastante na eciência do algoritmo. No entanto, não existem estudos teóricos que comprovem que uma certa ordem é melhor que outra. Então, o método utilizado para se escolher a melhor ordem é através de experimentos. 6
7 Algoritmo 1 Variable Neighbourhood Search dena um conjunto de estruturas de vizinhanças N k, k = 1,, k max obtenha uma solução inicial x k 1 enquanto k k max faça faça busca na vizinhança N k de x seja x a melhor solução encontrada se x < x então x x k 1 senão k k + 1 m se m enquanto devolva a melhor solução encontrada 3.1 Aplicação do Variable Neighborhood Search ao escalonamento de enfermeiras Nesta seção, explicaremos como é feita a aplicação da metaheurística VNS para o problema de escalonamento de enfermeiras. O VNS busca um escalonamento de enfermeiras que satisfaz todas as restrições fortes. No entanto, muito provavelmente não será possível satisfazer todas as restrições fracas. Então um dos objetivos do VNS será minimizar o número de restrições fracas violadas. Para aplicar o VNS ao problema do escalonamento de enfermeiras, consideramos um modelo heurístico com multi-objetivos para o problema. Nesse modelo as restrições fracas são avaliadas em relação a um parâmetro de custo. Assim, cada violação de uma restrição é contabilizada como uma penalidade a função objetivo que queremos minimizar. Logo, minimizando essa função objetivo, minimizamos o número de restrições fracas violadas (ou a importância das restrições violadas, dependendo dos parâmetros de custo). 3.2 Modelagem heurística No modelo heurístico com multi-objetivos para o problema de escalonamento de enfermeiras, consideramos os seguintes parâmetros. 7
8 I é o conjunto de enfermeiras; I 1, I 2, I 3 são os subconjunto de enfermeiras que trabalham 20, 32 e 36 horas por semana respectivamente. Note que I = I 1 I 2 I 3 ; J é o conjunto de índices dos últimos dias de cada semana; dentro da janela considerada. Por exemplo J = {7, 14, 21, 28, 35}; K é o conjunto de tipos de turnos; K é o conjunto de pares de turnos cuja sucessão são indesejadas; c k é o limitante superior desejado para o número de atribuições consecutivas do tipo de turno k; g t é o limitante superior desejado para o número de dias de trabalho para as enfermeiras em I t ; h t é o limitante inferior desejado para o número de dias de trabalho para as enfermeiras em I t. As variáveis de decisão utilizadas são: x ijk {0, 1}, i I, j {1, 2,..., 7 J }, k K. A função de custo será a seguinte. min Ḡ(x) = [ḡ 1(x), ḡ 2 (x), ḡ 3 (x), ḡ 4 (x), ḡ 5 (x), ḡ 6 (x), ḡ 7 (x), ḡ 8 (x)], onde ḡ 1 (x) = [ ] xi(j 1)k x ijk i I j J k K ḡ 2 (x) = { 7 J 1 max 0, [ ] } xi(j 1)k + x ijk x i(j+1)k i I j=2 k K ḡ 3 (x) = { 7 J 1 max 0, } [ ] xi(j 1)k x ijk + x i(j+1)k 1 i I j=2 k K 8
9 ḡ 6 (x) = ḡ 4 (x) = i I 7 J 1 7 J 3 r=1 ḡ 5 (x) = i I j=2 [ { J 3 max 0, t=1 i I t w=1 ḡ 8 (x) = i I k {1,3} ḡ 7 (x) = 7 J 3 i I 1 7 J 1 j=1 k {1,3} max 7w j=7w 6 k K r=1 { } r+3 max 0, x ijk c k j=r {0, x i(j 1)k + x ijk x i(j+1)k } } { x ijk g t + max 0, h t { } r+3 max 0, x ijk 3 (k 1,k 2 ) K max { j=r k K 0, x ijk1 + x i(j+1)k2 2 } 7w j=7w 6 k K }] x ijk As restrições fortes também fazem parte do modelo, mas não as mostraremos aqui. Mostraremos a formulação delas mais adiante, na seção 4.1, quando descrevermos a formulação do problema como um programa inteiro. 3.3 Sistemas de vizinhanças Uma parte fundamental para o VNS é a denição dos sistemas de vizinhanças. No artigo [BLQ10], os sistemas são denotados N 1, N 2,..., N k. As N 1 vizinhas de uma solução x são as soluções que diferem de x na troca de (exatamente) um turno entre enfermeiras. As N 2 vizinhas de x são as soluções que diferem de x na troca de (exatamente) um bloco de dois turnos (consecutivos) entre enfermeiras (por exemplo, seria como se Maria e Joana trocassem entre si seus turnos de dois dias seguidos, por exemplo, dias 10 e 11. Ou seja, Maria passa a fazer o turno que Joana faria nos dias 10 e 11 e Joana passa a fazer o turno que Maria faria nos dias 10 e 11). Para o sistema N 3, vale uma armação análoga para blocos de 3 turnos consecutivos. Vamos exemplicar esses sistemas com um diagrama (gura 1), onde é mostrado um intervalo de quatro dias e turnos recebidos por três enfermeiras. No diagrama, os períodos manhã, tarde, noite e madrugada estão representados com 'Man', 'T', 'N' e 'Mad', respectivamente. Além disso, o que está 9
10 representado são soluções vizinhas obtidas ao se trocar turnos (ou blocos de) entre as enfermeiras 1 e 3 somente. Figura 1: Diagrama ilustrando sistemas de vizinhanças 10
11 4 Métodos exatos Existem métodos exatos para tratar o problema de escalonar enfermeiras, ou seja, métodos que encontram de fato um melhor escalonamento. Um método simples, mas bem ingênuo, seria enumerar todos os possíveis escalonamentos e escolher um melhor. No entanto, o número de escalonamento possíveis é exponencialmente grande, tornando a enumeração inviável. Outro método exato bem mais razoável é através de programação matemática. Para isso, o problema é modelado como um programa inteiro e depois pode ser resolvido utilizando-se softwares especícos de programação matemática, como por exemplo o CPLEX e o Gurobi. Em seguida mostramos uma possível formulação do problema de escalonar enfermeiras. Vários parâmetros são utilizados para deixar o modelo mais exível. 4.1 Modelo de programa inteiro Assim como no modelo heurístico, consideramos um modelo multi-objetivo. Tanto as restrições fortes quanto as fracas aparecem no modelo. No entanto, as restrições fracas são formuladas com variáveis de folga, de forma que podem ser violadas e a violação seja detectada. Os parâmetros utilizados são: I é o conjunto de enfermeiras; I 1, I 2, I 3 são os subconjunto de enfermeiras que trabalham 20, 32 e 36 horas por semana respectivamente. Note que I = I 1 I 2 I 3 ; J é o conjunto de índices dos últimos dias de cada semana; dentro da janela considerada. Por exemplo J = {7, 14, 21, 28, 35}; K é o conjunto de tipos de turnos; K é o conjunto de pares de turnos cuja sucessão são indesejadas; d jk é a cobertura necessária para o turno do tipo k no dia j; m i é o número máximo de dias de trabalho dentro da janela para a enfermeira i; n 1 é o número máximo de turnos de madrugada consecutivos permitido dentro da janela; 11
12 n 2 é o número máximo de dias de trabalho consecutivo dentro da janela; c k é o limitante superior desejado para o número de atribuições consecutivas do tipo de turno k; g t é o limitante superior desejado para o número de dias de trabalho para as enfermeiras em I t ; h t é o limitante inferior desejado para o número de dias de trabalho para as enfermeiras em I t. As variáveis de decisão e de folga utilizadas são: x ijk {0, 1}, i I, j {1, 2,..., 7 J }, k K. s 1 ij 0, s 2 ij 0, i I, j J s 3 ij 0, s 4 ij 0, i I, j {2, 3,..., 7 J 1} s 5 irk 0, i I, r {1, 2..., 7 J 3}, k {1, 3} s 6 ijk 0, i I, j {2, 3,..., 7 J 1}, k {1, 3} s 7 tiw 0, s 8 tiw 0, t {1, 2, 3}, i I t, w {1, 2,..., J } s 9 ir 0, i I 1, r {1, 2,..., 7 J 3} s 10 ijk 0, i I, j {1, 2,..., 7 J 1}, k = (k 1, k 2 ) K A função de objetivo será a seguinte. min F (x) = [ f 1 (x) T, f 2 (x) T, f 3 (x) T, f 4 (x) T, f 5 (x) T, f 6 (x) T, f 7 (x) T ] T, onde f 1 (x) = [s 1 ij, s 2 ij] T, i I, j J f 2 (x) = [s 3 ij, s 4 ij] T, i I, j {2, 3,..., 7 J 1} f 3 (x) = [s 5 irk] T, i I, r {1, 2..., 7 J 3}, k {1, 3} f 4 (x) = [s 6 ijk] T, i I, j {2, 3,..., 7 J 1}, k {1, 3} f 5 (x) = [s 7 tiw, s 8 tiw] T, t {1, 2, 3}, i I t, w {1, 2,..., J } f 6 (x) = [s 9 ir] T, i I 1, r {1, 2,..., 7 J 3} f 7 (x) = [s 10 ijk ]T, i I, j {1, 2,..., 7 J 1}, k = (k 1, k 2 ) K 12
13 5 Método híbrido A grande vantagem do métodos exatos é que eles garantidamente sempre encontram uma solução ótima correspondente ao modelo utilizado. No entanto, a desvantagem está no alto consumo de tempo para se encontrar a solução ótima. Isso porque em geral são utilizados modelos de programação inteira e resolver programas inteiros é um problema NP-difícil. Como na prática não dá para esperar tanto tempo para se obter uma solução, as metaheurísticas são muito utilizadas, apesar de não possuírem nenhuma garantia sobre a qualidade da solução devolvida. A vantagem das metaheurísticas é a velocidade. Tentando equilibrar as vantagens e desvantagens dessas duas abordagens, Burke, Li e Qu [BLQ10] propõe um método híbrido. Dessa forma, espera-se encontrar soluções melhores com baixo consumo de tempo. O método híbrido consiste em duas fases: na primeira fase, um método de otimização inteira é executado durante um tempo limitado. Na segunda fase, o Variable Neighborhood Search é executado, recebendo como solução inicial a melhor solução obtida na primeira fase. O VNS na segunda fase é utilizado para renar a solução obtida pelo programa inteiro da primeira fase, ou seja, o VNS procura por soluções que satisfaçam mais restrições fracas nas vizinhanças da solução da primeira fase. Como todas as restrições fortes e algumas fracas já foram tratadas na primeira fase, então os sistemas de vizinhanças para o VNS não precisam ser complexos. Burke, Li e Qu [BLQ10] utilizam, na segunda fase, os mesmos sistemas de vizinhanças descritos na seção Resultados experimentais Os resultados são dados por um conjunto de testes, consistindo em execução por 49 minutos da primeira fase (exata) e 1 minuto da fase 2 (VNS). Todos os resultados apresentados a seguir foram retirados do artigo de Burke, Li e Qu [BLQ10]. O método híbrido foi comparado com dois métodos anteriores: 1. Algoritmo genético implementado em uma solução comercial da empresa ORTEC; 2. Algoritmo heurístico (VNS) implementado por Burke et al. [BCPB04]. 13
14 Dados Algoritmo Genético (após 1 hora) VNS (após 1 hora) Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Média Tabela 2: Valores de soluções obtidas pelos métodos anteriores A comparação é feita usando 12 instâncias reais, cada uma representando as demandas de um mês de um hospital holandês. O método híbrido é avaliado versus o melhor resultado obtido pelos 2 métodos anteriores citados acima. Na média, a melhora da qualidade da solução é de 15.2%, chegando até 46.3% em um determinado mês. Em [BLQ10], explica-se o motivo da execução do método híbrido ter levado ao todo 50 minutos enquanto que os métodos anteriores executaram por 60 minutos: os testes realizados com os métodos anteriores utilizaram uma máquina com menor capacidade de processamento do que a utilizada para executar o método híbrido proposto. 14
15 Dados Tamanho IP reduzido Resultado IP VNS do autor Restrições Variáveis Após 49mins % Após 1min % Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Média Tabela 3: Comparação de soluções do método híbrido 15
16 7 Conclusão Foi argumentado e mostrado através de experimentos computacionais que um problema com grande número de restrições, como o problema de escalonar turnos de enfermeiras, pode ter boas soluções reveladas por um método híbrido, que inicialmente otimiza até um tempo limite um programa inteiro e após isso executa um algoritmo heurístico para aprimoramento da solução inicial. O autor [BLQ10] pretende, em trabalhos futuros, explorar informação contida em soluções de um programa inteiro relaxado para guiar a subsequente busca local de soluções, e também acredita que a técnica de decompor as restrições do problema e levá-las em conta em métodos de otimização diferentes pode ter aplicações em uma classe ampla de problemas, como por exemplo problemas de alocação de recursos. 16
17 Referências [AD00] Uwe Aickelin and Kathryn K. Dowsland. Exploring problem structure in a genetic algorithm approach to a nurse rostering problem. Journal of Scheduling, 3:139153, [AD04] Uwe Aickelin and Kathryn K. Dowsland. An indirect genetic algorithm for a nurse-scheduling problem. Computers & Operations Research, 31(5):761778, [BCCB01] Edmund K. Burke, Peter Cowling, Patrick De Causmaecker, and Greet Vanden Berghe. A memetic approach to the nurse rostering problem. Applied Intelligence, 15:199214, [BCPB04] Edmund K. Burke, Patrick De Causmaecker, Sanja Petrovic, and Greet Vanden Berghe. Variable neighborhood search for nurse rostering problems. In Mauricio G.C. Resende and Jorge Pinho de Souza, editors, Metaheuristic: Computer Decision-Making, pages Kluwer Academic Publisher, [Bea97] Nicholas Beaumont. Scheduling sta using mixed integer programming. European Journal of Operational Research, 98(3): , [BFM96] [BJ93] [BKS03] [BLQ10] Ilham Berrada, Jacques A. Ferland, and Philippe Michelon. A multi-objective approach to nurse scheduling with both hard and soft constraints. Socio-Economic Planning Sciences, 30(3): , M.J. Brusco and L.W. Jacobs. A simulated annealing approach to the cyclic sta-scheduling problem. Naval Research Logistics, 40:6984, Edmund K. Burke, G. Kendall, and E. Soubeiga. A tabu-search hyperheuristic for timetabling and rostering. Journal of Heuristics, 9(6):451470, Edmund K. Burke, Jingpeng Li, and Rong Qu. A hybrid model of integer programming and variable neighborhood search for highlyconstrained nurse rostering problems. European Journal of Operational Research, (a ser publicado). 17
18 [BP05] [EM99] [Kar72] Jonathan F. Bard and Hadi W. Purnomo. Preference scheduling for nurses using column generation. European Journal of Operational Research, 164(2):510534, Fred F. Easton and Nashat Mansour. A distributed genetic algorithm for deterministic and stochastic labor scheduling problems. European Journal of Operational Research, 118(3):505523, Richard Manning Karp. Reducibility among combinatorial problems. In R.E. Miller and J.W. Thatcher, editors, Complexity of Comuputer Computations, pages Plenum Press, [KYY + 01] H. Kawanaka, K. Yamamoto, T. Yoshikawa, T. Shingi, and S. Turuoka. Genetic algorithm with the constraints for nurse scheduling problem. In Proceedings of Congress on Evolutionaru Computations, pages , [SBW79] [TK82] [WP72] L.D. Smith, D. Bird, and A. Wiggins. A computerized system to schedule nurses that recognizes sta preferences. Hospital & Health Service Administration, pages 1935, James M. Tien and Angelica Kamiyama. On manpower scheduling algorithms. Society of Industrial and Applied Mathematics, 24:275287, D. Michael Warner and Juan Prawda. A mathematical programming model for scheduling nursing personnel in a hospital. Management Science, 19:411422,
Corte 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
ELABORAÇÃO DE ESCALAS DE TRABALHO DE TÉCNICOS DE ENFERMAGEM COM BUSCA TABU E ALGORITMO GENÉTICO
ELABORAÇÃO DE ESCALAS DE TRABALHO DE TÉCNICOS DE ENFERMAGEM COM BUSCA TABU E ALGORITMO GENÉTICO Maira Regina Poltosi Universidade do Vale do Rio dos Sinos - UNISINOS São Leopoldo - RS mpoltosi@etandart.com.br
Um algoritmo para aproximação da fronteira de Pareto em problemas de programação inteira multiobjectivo
Um algoritmo para aproximação da fronteira de Pareto em problemas de programação inteira multiobjectivo Manuela Fernandes, Vladimir Bushenkov A. I. de Matemática, E.S.T.T., Instituto Politécnico de Tomar,
INVESTIGANDO O PROBLEMA DA MOCHILA IRRESTRITA EM SUA VERSÃO BIDIMENSIONAL
INVESTIGANDO O PROBLEMA DA MOCHILA IRRESTRITA EM SUA VERSÃO BIDIMENSIONAL Mirella Augusta Sousa Moura, mirella.asm14@hotmail.com Thiago Alves de Queiroz, th.al.qz@catalão.ufg.br Resumo: Empacotamento consiste
Quinta-feira, 11 de abril
15.053 Quinta-feira, 11 de abril Mais alguns exemplos de programação inteira Técnicas de planos de corte para obter melhores limitações Entregar: Observações de Aula 1 Exemplo: Localização do corpo de
Árvore Binária de Busca Ótima
MAC 5710 - Estruturas de Dados - 2008 Referência bibliográfica Os slides sobre este assunto são parcialmente baseados nas seções sobre árvore binária de busca ótima do capítulo 4 do livro N. Wirth. Algorithms
Um 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
Programação 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
ESTÁGIOS 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
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Projeto 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
DECISÕES SOBRE TRANSPORTES (PARTE III) Mayara Condé Rocha Murça TRA-53 Logística e Transportes
DECISÕES SOBRE TRANSPORTES (PARTE III) Mayara Condé Rocha Murça TRA-53 Logística e Transportes Agosto/2013 Problemas de roteirização e programação de veículos (RPV) Objetivo geral: Determinar rotas de
01 Análise de Algoritmos (parte 1) SCC201/501 - Introdução à Ciência de Computação II
01 Análise de Algoritmos (parte 1) 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
04 Grafos: caminhos e coloração SCC0503 Algoritmos e Estruturas de Dados II
04 Grafos: caminhos e coloração SCC0503 Algoritmos e Estruturas de Dados II Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2011/1 Moacir Ponti Jr.
TP052-PESQUISA OPERACIONAL I Introdução. Prof. Volmir Wilhelm Curitiba, Paraná, Brasil
TP052-PESQUISA OPERACIONAL I Introdução Prof. Volmir Wilhelm Curitiba, Paraná, Brasil TP052-PESQUISA OPERACIONAL I Ementa Revisão de Álgebra Linear. Modelos de Programação Linear. O Método Simplex. O Problema
MODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA PARA MINIMIZAÇÃO DOS ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM SETUP DEPENDENDE DA SEQUÊNCIA
MODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA PARA MINIMIZAÇÃO DOS ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM SETUP DEPENDENDE DA SEQUÊNCIA Cristiano Marinho Vaz, cmv02@hotmail.com Vinícius Ferreira da Silva
5. Expressões aritméticas
5. Expressões aritméticas 5.1. Conceito de Expressão O conceito de expressão em termos computacionais está intimamente ligado ao conceito de expressão (ou fórmula) matemática, onde um conjunto de variáveis
5COP096 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
DEMONSTRATIVO 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
INTRODUÇÃO À PESQUISA OPERACIONAL. **Apresentação** Profa. Vitória Pureza 2º Semestre
INTRODUÇÃO À PESQUISA OPERACIONAL **Apresentação** Profa. Vitória Pureza 2º Semestre Roteiro O que é Pesquisa Operacional Áreas Gerais de Aplicação Por que aprender Pesquisa Operacional? O que são Modelos?
Introdução 12 que inuenciam a execução do sistema. As informações necessárias para o diagnóstico de tais problemas podem ser obtidas através da instru
1 Introdução Atualmente a demanda pela construção de novos sistemas de software tem aumentado. Junto com esse aumento também cresce a complexidade das soluções que estão sendo desenvolvidas, o que torna
Exemplo do jogo dos fósforos Terça-feira, 9 de maio. Exemplo para o Problema do Corpo de Bombeiros. Exemplo: Localidade do Corpo de Bombeiros
15.053 Terça-feira, 9 de maio Busca Heurística: métodos para resolver problemas de otimização difíceis Distribuir: Anotações da Aula Veja a introdução ao trabalho Very Large Scale Neighborhood Search (está
Pesquisa Operacional
Faculdade de Engenharia - Campus de Guaratinguetá Pesquisa Operacional Livro: Introdução à Pesquisa Operacional Capítulo 5 Modelo da Designação Fernando Marins fmarins@feg.unesp.br Departamento de Produção
Metaheurísticas para a elaboração de escalas de trabalho de técnicos de enfermagem
Metaheurísticas para a elaboração de escalas de trabalho de técnicos de enfermagem Maira Regina Poltosi, Arthur Tórgo Gomez Universidade do Vale do Rio dos Sinos (UNISINOS) Av. Unisinos, 950 - CEP 93.022-000
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear Introdução à Pesquisa Operacional Origens militares Segunda guerra mundial Aplicada na alocação de
Lista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + 2 y s.a x + y 2 x + y 5 x, y 0, x e y inteiros b) Max z = 2 x + y s.a x + 2y 0 x + y 25 x, y
PRÓ-TRANSPORTE - MOBILIDADE URBANA - PAC COPA 2014 - CT 318.931-88/10
AMPLIAÇÃO DA CENTRAL DE Simpl Acum Simpl Acum jul/10 a jun/11 jul/11 12 13 (%) (%) (%) (%) 1.72.380,00 0,00 0,00 0,00 361.00,00 22,96 22,96 1/11 AMPLIAÇÃO DA CENTRAL DE ago/11 Simpl Acum Simpl Acum Simpl
MSGVNS: UM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA OPERACIONAL DE CONTROLADORES DE TRÁFEGO AÉREO
Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM MSGVNS: UM ALGORITMO HEURÍSTICO PARA O PROBLEMA DE GERENCIAMENTO DE ESCALA
DATA DIA DIAS DO FRAÇÃO DATA DATA HORA DA INÍCIO DO ANO JULIANA SIDERAL T.U. SEMANA DO ANO TRÓPICO 2450000+ 2460000+
CALENDÁRIO, 2015 7 A JAN. 0 QUARTA -1-0.0018 7022.5 3750.3 1 QUINTA 0 +0.0009 7023.5 3751.3 2 SEXTA 1 +0.0037 7024.5 3752.3 3 SÁBADO 2 +0.0064 7025.5 3753.3 4 DOMINGO 3 +0.0091 7026.5 3754.3 5 SEGUNDA
PRÓ-TRANSPORTE - MOBILIDADE URBANA - PAC COPA 2014 - CT 318.931-88/10
AMPLIAÇÃO DA CENTRAL DE Simpl Acum Simpl Acum jul/10 a jun/11 jul/11 12 13 (%) (%) (%) (%) 0,00 0,00 0,00 0,00 0,00 0,00 1/11 AMPLIAÇÃO DA CENTRAL DE ago/11 Simpl Acum Simpl Acum Simpl Acum 14 set/11 15
APLICAÇÃO DE META-HEURÍSTICAS À ENGENHARIA DE PRODUÇÃ O
APLICAÇÃO DE META-HEURÍSTICAS À ENGENHARIA DE PRODUÇÃ O João Carlos Zayatz Universidade Estadual de Maringá jcarloszay@gmail.com Gislaine Camila Lapasini Leal Universidade Estadual de Maringá gclleal@uem.br
Experimentos e Resultados
6 Experimentos e Resultados Neste capítulo apresentamos os experimentos realizados e os resultados obtidos pelas heurísticas apresentadas. A primeira parte do capítulo aborda os experimentos e resultados
Introdução à Teoria dos Grafos
Capítulo 1 Introdução à Teoria dos Grafos 1.1 História O primeiro problema cuja solução envolveu conceitos do que viria a ser teoria dos grafos, denominado "problema das pontes de Königsberg", foi resolvido
Programação 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?
AUTOMAÇÃO E OTIMIZAÇÃO DO ESCALONAMENTO DE ENFERMEIROS
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
Algoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
3 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
Interpolação polinomial: Polinômio de Lagrange
Interpolação polinomial: Polinômio de Lagrange Marina Andretta ICMC-USP 09 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo
Programaçãoda Mãode Obra Crew Scheduling. Prof. Gustavo Peixoto Silva Departamento de Computação Univ. Federal de Ouro Preto 6 modelos
Programaçãoda Mãode Obra Crew Scheduling Prof. Gustavo Peixoto Silva Departamento de Computação Univ. Federal de Ouro Preto 6 modelos Programação de veículos, máquinas e de mão de obra Esta é uma classe
4 Extração direta das PELs
4 Extração direta das PELs A detecção de arestas em imagens está relacionada à extração de feições, sendo uma ferramenta fundamental em processamento de imagens e visão computacional. Essa detecção visa
MPE(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
4 Modelagem em Árvore
MODELAGEM EM ÁRVORE 39 4 Modelagem em Árvore 4.1 Introdução A modelagem por árvore de cenários é uma forma usual de representação de incertezas em problemas estocásticos multi-período [9, 14, 28, 42, 43].
Pesquisa 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
Pesquisa 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
Programação Concorrente. 2º Semestre 2010
Programação Concorrente 2º Semestre 2 Tópicos de Hoje Assunto: Deadlocks Livro Texto Capítulo 4; Conceitos Iniciais; Tipos de Recursos; Condições necessárias para ocorrência de deadlock; Um sistemas livre
CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 04/2014 Zeros reais de funções Parte 1 Objetivo Determinar valores aproximados para as soluções (raízes) de equações da
Análise Sintática de Frases utilizando Gramáticas Livres de Contexto Probabilísticas
Universidade de São Paulo Mestrado em Ciência da Computação Instituto de Matemática e Estatística Disciplina MAC5725 Lingüística Computacional Análise Sintática de Frases utilizando Gramáticas Livres de
Departamento de Informática Universidade Estadual de Maringá (UEM) Avenida Colombo, Bloco C56 PR Brasil 1
COMPARAÇÃO DE ALGORITMOS HEURÍSTICOS PARA UM PROBLEMA DE PLANEJAMENTO OPERACIONAL DE TRANSPORTE PÚBLICO Douglas Baroni Rizzato 1, Rubens Zenko Sakiyama 2, Ademir Aparecido Constantino 3, Wesley Romão 4
Algoritmo 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
INTRODUÇÃO À TEORIA DOS CONJUNTOS
1 INTRODUÇÃO À TEORIA DOS CONJUNTOS Gil da Costa Marques 1.1 Introdução 1.2 Conceitos básicos 1.3 Subconjuntos e intervalos 1.4 O conjunto dos números reais 1.4.1 A relação de ordem em 1.5 Intervalos 1.5.1
CAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Este 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
Rational Unified Process (RUP)
Rational Unified Process (RUP) A Rational é bem conhecida pelo seu investimento em orientação em objetos. A empresa foi à criadora da Unified Modeling Language (UML), assim como de várias ferramentas que
2. Problemas Abordados e Técnicas Utilizadas 3. Arquitetura do Modelo
A pesquisa Operacional e os Recursos Renováveis 4 a 7 de novembro de 2003, Natal-RN ESTRATÉGIAS DE BUSCA NO ESPAÇO CONSIDERANDO O TAMANHO DA LISTA TABU E AS CONTRIBUIÇÕES DOS SETUPS DO NÚMERO DE INSTANTES
UMA 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
Inteligência de enxame e o algoritmo das abelhas
Inteligência de enxame e o algoritmo das abelhas (Swarm intelligence and bee s algorithm) Glaucus Augustus, 6219168 O que é: Cooperação: é o processo de agir junto, em união(ex: grupo de tcc) Colaboração:
Lista de Exercícios - Modelagem de representação cromossômica e função fitness
Lista de Exercícios - Modelagem de representação cromossômica e função fitness Para cada um dos problemas descritos abaixo: crie uma ou mais representações cromossômicas capazes de representar uma solução
Conteúdo. Introdução. Notas. Programação Linear Inteira, Introdução. Notas. Notas
Programação Linear Inteira Introdução Haroldo Gambini Santos Universidade Federal de Ouro Preto 30 de agosto de 2011 1 / 26 Conteúdo 1 Otimização 2 Pesquisa Operacional 3 Prob. da Dieta 4 Método Gráco
Medida do Tempo de Execução de um Programa. David Menotti Algoritmos e Estruturas de Dados II DInf UFPR
Medida do Tempo de Execução de um Programa David Menotti Algoritmos e Estruturas de Dados II DInf UFPR Classes de Comportamento Assintótico Se f é uma função de complexidade para um algoritmo F, então
Métodos Estatísticos Básicos
Aula 6 - Introdução à probabilidade Departamento de Economia Universidade Federal de Pelotas (UFPel) Maio de 2014 Experimento Experimento aleatório (E ): é um experimento que pode ser repetido indenidamente
PESQUISA OPERACIONAL I
PESQUISA OPERACIONAL I Professor: Dr. Edwin B. Mitacc Meza edwin.professor@gmail.com www.engenharia-puro.com.br/edwin Objetivos A disciplina busca possibilitar ao Aluno: Fornecer conhecimentos de Pesquisa
Algoritmos e Estruturas de Dados I1 Prof. Eduardo 1
Algoritmos e Estruturas de Dados I1 Prof. Eduardo 1 ORDENAÇÃO E BUSCA Ordenação: Bublesort, seleção direta e inserção direta. Busca: linear e binária 1 - ORDENAÇÃO (CLASSIFICAÇÃO) DE DADOS Em diversas
Buscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Projeto de SOCIO-AMBIENTAL
Nome dos Participantes do grupo Projeto de SOCIO-AMBIENTAL Projeto apresentado a Uniderp- Anhanguera Educacional, curso de Psicologia e instituição... tendo por objetivo o início da atividades do SOCIO-AMBIENTAL.
COMPARAÇÃO DE TÉCNICAS DE CONTROLE APLICADAS A UM SISTEMA DE LEVITAÇÃO MAGNÉTICA
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol., N., 04. rabalho apresentado no CMAC-Sul, Curitiba-PR, 04. COMPARAÇÃO DE ÉCNICAS DE CONROLE APLICADAS A UM SISEMA
Paulo Guilherme Inça. 7 de dezembro de 2016
Coloração de grafos é NP-Difícil Paulo Guilherme Inça 7 de dezembro de 2016 Sumário 1 Introdução 1 2 O Problema da Coloração de Grafos 2 3 3-Coloração é NP-Completo 3 4 Generalizações e Restrições 6 5
Reduções de Problemas Difíceis
Reduções de Problemas Difíceis André Vignatti DINF- UFPR Reduções de Problemas Difíceis Na figura abaixo, esquema das reduções que vamos (tentar) ver. Todos problemas NP CIRCUIT SAT SAT 3SAT INDEPENDENT
CONCEITOS DE ALGORITMOS
CONCEITOS DE ALGORITMOS Fundamentos da Programação de Computadores - 3ª Ed. 2012 Editora Prentice Hall ISBN 9788564574168 Ana Fernanda Gomes Ascênsio Edilene Aparecida Veneruchi de Campos Algoritmos são
Problema de Designação. Fernando Nogueira Problema de Designação 1
Problema de Designação Fernando Nogueira Problema de Designação 1 O Problema de Designação é um caso específico de um Problema de Transporte, que por sua vez é um caso específico de um Problema de Programação
Utilização de Times Assíncronos na Solução do Problema de Cobertura de Conjuntos
Utilização de Times Assíncronos na do Problema de Cobertura de Conjuntos Edison L. Bonotto 1, Marcelo Lisboa Rocha 2. 1 Programa de Pós-graduação em Informática Universidade Federal da Paraíba (UFPB) 58059-900
BC1424 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
Planejamento e Controle da Produção I
Planejamento e Controle da Produção I Prof. M.Sc. Gustavo Meireles 2012 Gustavo S. C. Meireles 1 Introdução Planejamento Agregado: Maximizar os resultados das operações e minimizar os riscos de tomadas
Decisões de Compras e de Programação dos Suprimentos. Administração de Logística e da Cadeia de Suprimentos
Decisões de Compras e de Programação dos Suprimentos Administração de Logística e da Cadeia de Suprimentos 1 Programa Importância das compras Estratégias de Compras Métodos Quantitativos e Momento dos
Universidade Anhanguera - Uniderp CURSO DE PSICOLOGIA ESTÁGIO EM PSICOLOGIA SÓCIO AMBIENTAL CRONOGRAMA ESTÁGIO EM PSICOLOGIA SÓCIO AMBIENTAL 2012
Universidade Anhanguera - Uniderp CURSO DE PSICOLOGIA ESTÁGIO EM PSICOLOGIA SÓCIO AMBIENTAL CRONOGRAMA ESTÁGIO EM PSICOLOGIA SÓCIO AMBIENTAL 2012 1 CRONOGRAMA 2012 A 06/02 Reunião Inicial 13/02 Treinamento
Equações não lineares
Capítulo 2 Equações não lineares Vamos estudar métodos numéricos para resolver o seguinte problema. Dada uma função f contínua, real e de uma variável, queremos encontrar uma solução x que satisfaça a
Heurísticas para o problema de corte com reaproveitamento das sobras de material
Heurísticas para o problema de corte com reaproveitamento das sobras de material Adriana Cristina Cherri, Marcos Nereu Arenales Instituto de Ciências Matemáticas e de Computação, USP. 13560-970, São Carlos,
4 Detecção de Silhueta
4 Detecção de Silhueta No decorrer deste capítulo é proposto um modelo de detecção da silhueta da mão capaz de lidar com os erros da segmentação e ruídos na sua morfologia. Num primeiro passo são considerados
Teoria dos Grafos. Cobertura, Coloração de Arestas, Emparelhamento
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 Cobertura, Coloração
2 Problemas de Escalonamento
15 2 Problemas de Escalonamento O escalonamento ou programação da produção é um dos problemas operacionais que visam planejar e controlar a execução das tarefas de produção e de serviços. Ele tem como
Otimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Programação Linear. (3ª parte) Informática de Gestão Maria do Rosário Matos Bernardo 2016
Programação Linear (3ª parte) Informática de Gestão 61020 Maria do Rosário Matos Bernardo 2016 Conteúdos Excel Solver Instalação do Solver Resolução de problemas de programação linear Problema de minimização
ALGORITMOS 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
Avaliação Quantitativa de Sistemas
Avaliação Quantitativa de Sistemas Contexto A Avaliação Quantitativa de Sistemas permite a avaliação de sistemas antes mesmo da sua implementação física. Dessa forma, é possível avaliar um sistema projetado
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos André Luiz Ferreira Pinto Pontifícia Universidade Católica do Rio de
Resultados Obtidos 49
4 Resultados Obtidos Foram realizados testes para avaliar o desempenho do NCBI BLAST usando o BioProvider. Os testes foram feitos em um computador Pentium 4 com processador de 3 GHz de velocidade e 512
Mercados de Emparelhamento
Mercados de Emparelhamento Redes Sociais e Econômicas Prof. André Vignatti Mercados de Emparelhamento Mercados - interação econômica entre pessoas numa rede estruturada Mercados de Emparelhamento modelam:
03 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
Aula 10: Tratabilidade
Teoria da Computação DAINF-UTFPR Aula 10: Tratabilidade Prof. Ricardo Dutra da Silva Na aula anterior discutimos problemas que podem e que não podem ser computados. Nesta aula vamos considerar apenas problemas
Objectivos com o Desenho de Bases de Dados Dependências funcionais 1ª Forma Normal Decomposição Forma Normal de Boyce-Codd 3ª Forma Normal
Capítulo 6: Desenho de Bases de Dados Objectivos com o Desenho de Bases de Dados Dependências funcionais 1ª Forma Normal Decomposição Forma Normal de Boyce-Codd 3ª Forma Normal Dependências multivalor
Busca com informação e exploração. Capítulo 4 Russell & Norvig Seção 4.2 e 4.3
Busca com informação e exploração Capítulo 4 Russell & Norvig Seção 4.2 e 4.3 1 Revisão da aula passada: Busca A * Idéia: evitar expandir caminhos que já são caros Função de avaliação f(n) = g(n) + h(n)
Minimização 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
Programação Linear. MÉTODOS QUANTITATIVOS: ESTATÍSTICA E MATEMÁTICA APLICADAS De 30 de setembro a 13 de novembro de 2011 prof. Lori Viali, Dr.
Programação Linear São problemas complexos, muitas vezes de difícil solução e que envolvem significativas reduções de custos, melhorias de tempos de processos, ou uma melhor alocação de recursos em atividades.
Capítulo 2: Procedimentos e algoritmos
Capítulo 2: Procedimentos e algoritmos Para estudar o processo de computação de um ponto de vista teórico, com a finalidade de caracterizar o que é ou não é computável, é necessário introduzir um modelo
Resolução de problemas difíceis de programação linear através da relaxação Lagrangeana
problemas difíceis de programação linear através da relaxação Lagrangeana Ana Maria A.C. Rocha Departamento de Produção e Sistemas Escola de Engenharia Universidade do Minho arocha@dps.uminho.pt http://www.norg.uminho.pt/arocha
UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA PROGRAMA DE EDUCAÇÃO TUTORIAL APOSTILA DE CÁLCULO. Realização:
UNIVERSIDADE FEDERAL DO CEARÁ CENTRO DE TECNOLOGIA PROGRAMA DE EDUCAÇÃO TUTORIAL APOSTILA DE CÁLCULO Realização: Fortaleza, Fevereiro/2010 1. LIMITES 1.1. Definição Geral Se os valores de f(x) puderem
SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 3 Sarita Mazzini Bruschi
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 Avaliação de Sistemas Computacionais Parte 1 -Aula 3 Sarita Mazzini Bruschi Material
Seleção de Atributos com Novas Metaheurísticas na Teoria de Conjuntos Aproximativos
Seleção de Atributos com Novas Metaheurísticas na Teoria de Conjuntos Aproximativos Alex Sandro Aguiar Pessoa, INPE - Programa de Pós-graduação em Computação Aplicada (CAP) 12.227-010, São José dos Campos,
LICENCIATURA EM COMPUTAÇÃO. Resenha Livro Sistemas Operacionais 4ª edição Capítulo quatro: Gerencia do processador
LICENCIATURA EM COMPUTAÇÃO Resenha Livro Sistemas Operacionais 4ª edição Capítulo quatro: Gerencia do processador SANTO AMARO 2012 JEANDERVAL SANTOS DO CARMO RESENHA Resenha do quarto capítulo: Gerencia
Gerador de Grade de Horário Escolar por meio de Múltiplas Metaheurísticas GRASP
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 2, N. 1, 2014. Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Gerador de Grade de Horário Escolar por meio