UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO
|
|
- Luísa Sintra Pais
- 5 Há anos
- Visualizações:
Transcrição
1 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 UM ALGORITMO DE PROGRAMAÇÃO MATEMÁTICA BI-OBJETIVO PARA O PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES NÃO CAPACITADO Paula Marana dos Santos (UFV) paula-maranna@hotmal.com JOSE ELIAS CLAUDIO ARROYO (UFV) jarroyo@dp.ufv.br Mchele dos Santos Soares (UFV) myxelly@dp.ufv.br Neste trabalho é apresentado um algortmo de programação matemátca para determnar soluções Pareto-ótmas ou efcentes do problema b-objetvo de localzação de facldades não capactado. Os objetvos ou crtéros consderados são: mnmmzação de custos e maxmzação das demandas atenddas (cobertura). O método consste em mnmzar teratvamente dferentes funções ponderadas Zw = wz + wz, onde Z e -Z são os objetvos a serem otmzados e w e w são dferentes pesos defndos para cada objetvo. É utlzada uma técnca efcente para determnar os pesos w e w de tal manera que todas as soluções Pareto-ótmas sejam obtdas, quando o espaço de decsão factível for convexo. Caso o espaço de soluções váves não seja convexo, o algortmo mplementado determna todas as soluções Pareto-ótmas de suporte. Utlzando o algortmo foram resolvdos problemas com até 300 clentes e 50 locas canddatos gastando um tempo computaconal relatvamente baxo. Palavras-chaves: Localzação de facldades, otmzação multobjetvo, programação matemátca
2 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008. Introdução Mutos problemas econômcos de tomada de decsão consstem em localzar e/ou alocar um conjunto de facldades para servr ou atender de forma efcente a demanda de certos clentes. Como exemplos de facldades podem-se ctar fábrcas, armazéns, depóstos, bblotecas, corpo de bomberos, hosptas, estações-base de servços de telecomuncação sem fos (tas como servço de telefone móvel, nternet sem fo), etc. Problemas de localzação de facldades ocorrem em dferentes contextos e possuem numerosas aplcações. São problemas de grande mportânca econômca para planejamento estratégco de setores produtvos, ndústras, prefeturas, comérco, e outros (OWEN & DASKIN, 998). A otmzação destes modelos pode levar a grandes economas em seus nvestmentos. Um modelo dscreto amplamente estudado na lteratura é o problema de localzação de facldades não capactado (Uncapactated Faclty Locaton Problem), também conhecdo como localzação de plantas ou armazéns (KRARUP & PRUZAN, 983; BEASLEY, 988; CORNUÉJOLS et al., 990; GAO & ROBINSON, 994; REVELLE & LAPORTE, 996). Este problema consste na escolha de locas para nstalar um certo número de facldades (servdores) que atendam um conjunto de clentes (pontos de demanda) dstrbuídos em um espaço geográfco, e determnar a alocação dos clentes entre as facldades. Neste problema cada facldade pode atender um número nfnto de clentes (não capactado) e o objetvo é mnmzar os custos de atendmento aos clentes e os custos fxos gerados pela nstalação/abertura das facldades. Outro problema bastante abordado é a localzação com máxma cobertura (CHURCH & REVELLE, 974; GALVÃO & REVELLE, 996; GALVÃO et al., 000) que tem como objetvo localzar um número de facldades de modo que seja coberta ou atendda o máxmo número de clentes. Um clente é consderado coberto ou atenddo se ele está dentro da dstânca de servço (dstânca de recobrmento) de pelo menos uma facldade. Os problemas de localzação de facldades são consderados problemas NP-dfícl (PAPADIMITRIOU & YANNAKAKIS, 99; CORNUÉJOLS et. al, 990), ou seja, são altamente complexos e custosos do ponto de vsta computaconal. Neste trabalho consdera-se um problema b-objetvo, que consste na resolução smultânea de dos problemas de localzação de facldades: o problema de localzação de facldades não capactado e o problema da máxma cobertura. Ou seja, no problema abordado são otmzados dos objetvos (funções): mnmzação dos custos de nstalação/atendmento e maxmzação da cobertura de atendmento. Para resolver o problema b-objetvo é proposto um método que consste em resolver teratvamente um modelo de programação matemátca onde é otmzada uma função ponderada defnda pela combnação lnear dos objetvos otmzados. O método proposto não garante determnar todas as soluções Pareto-ótmas, mas sm todas as soluções correspondentes aos pontos de suporte da frontera Pareto-ótma. O artgo é organzado da segunte manera: Na Seção é apresentado o modelo matemátco do problema b-objetvo abordado e os concetos usados em otmzação multobjetvo. O Algortmo de Programação Matemátca desenvolvdo neste trabalho é detalhado na Seção 3.
3 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 Na Seção 4, os testes computaconas e a análse dos resultados são apresentados. As conclusões do trabalho encontram-se na Seção 5.. Formulação matemátca do problema de localzação de facldades b-objetvo A formulação matemátca do Problema B-objetvo de Localzação de Facldades Nãocapactado (PBLFN) é baseada na formulação apresentada por Revelle e Laporte (996). Sejam I = (,..., m) o conjunto dos locas potencas (depóstos) e J = (,..., n) o conjunto de centros consumdores (clentes). f denota o custo fxo de abertura do depósto, d j é a demanda de compra do clente j, c j o custo de atendmento ao clente j pelo depósto e h j a dstânca entre o depósto e o clente j. A máxma cobertura ou dstânca máxma de atendmento de um depósto é denotada por D max. A demanda de um clente é consderada atendda por um depósto aberto se o clente encontrar-se a uma dstânca menor ou gual a D max. O conjunto de depóstos que podem atender o clente j é defndo por Q j ={: h j D max }. As varáves de decsão do problema são y e x j. Se o depósto for aberto, y =, caso contráro y =0. x j = se o clente j é atendda pelo depósto, caso contráro x j = 0. O PBLFN é modelado da segunte manera: Mnmzar c x + f y, () Z = j j Mnmzar Z = d j xj () Sujeto a: Q j x = j J (3) j x, I, j J (4) j y x j {0,}, y {0,}, I, j J (5) I (6) (P BLFN ) A função objetvo () representa o custo total de operação dos depóstos abertos. O prmero termo desta função representa o custo de atendmento aos clentes pelos depóstos abertos, e o segundo termo representa a soma dos custos fxos ncorrdos pela abertura dos depóstos. A função objetvo () mede a máxma cobertura dos depóstos sendo defnda como a soma das demandas dos clentes atenddos pelos depóstos abertos dentro da máxma dstânca. Note que o problema da máxma cobertura fo transformado num problema de mnmzação. A restrção (3) (juntamente com (5)) garante que cada clente seja atenddo por um únco depósto, enquanto a restrção (4) força o clente a ser atenddo pelo depósto aberto. Fnalmente, (5) e (6) defnem que as varáves de decsão são bnáras. Uma solução s do problema pertence ao espaço de decsão factível, denotado por Ω, se ela satsfaz as restrções (3) a (6). O espaço objetvo factível do PBLFN é defndo por Z = {p R : p = (Z (s), Z (s)), s Ω }, ou seja, para cada solução s Ω exste um ponto p no espaço objetvo Z, tal que p = (Z (s), Z (s)). As soluções do problema b-objetvo são caracterzadas pelas seguntes defnções: Defnção : Soluções domnantes Uma solução s domna a solução s (ponto p = (Z (s ), Z (s ))) se as três condções seguntes forem satsfetas: 3
4 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 ) Z (s ) Z (s ), ) Z (s ) Z (s ) e ) Z (s ) < Z (s ) ou Z (s ) < Z (s ). Smlarmente, um ponto p = (Z (p ), Z (p )) domna o ponto p = (Z (p ), Z (p )) se são satsfetas as mesmas três condções. Defnção : Soluções Pareto-ótmas Uma solução é Pareto-ótma ou efcente se ela não é domnada por nenhuma solução do espaço de soluções factíves. O conjunto de soluções Pareto-ótmas aqu é denotado por E. No espaço objetvo, os pontos Pareto-ótmos determnam a frontera Pareto-ótma. Resolver o problema (P BLFN ) consste em determnar o conjunto E. Em programação lnear ntera multobjetvo é necessáro dstngur dos conjuntos de soluções Pareto-ótmas ou efcentes (ULUNGU & TEGHEM, 994): PS: conjunto de soluções Pareto-ótmas de suporte que são obtdas ao resolver o segunte modelo ponderado (para o caso b-objetvo): Mnmzar Z α = α Z + α Z (7) Sujeto a: x =, j J (8) j x, I, j J (9) j y x j {0,}, I, j J (0) y {0,}, I () α >0, α >0 () Se as funções Z e Z são convexas e o espaço de soluções do problema (P α ) é um poledro convexo então o conjunto de soluções do problema (P α ) é exatamente gual a E (STEUER, 986). NS: conjunto de soluções Pareto-ótmas de não-suporte defndo como NS = E PS. As soluções deste conjunto não podem ser obtdas ao resolver o modelo (P α ). (Pα) Z Ponto Pareto-ótmo de suporte Ponto Pareto-ótmo de não-suporte Fgura. Pontos Pareto-ótmos de suporte e não-suporte. A Fgura mostra um exemplo de conjunto de pontos Pareto-ótmos (no espaço objetvo) formado por pontos de suporte e não-suporte. Note que os Z pontos de suporte estão sobre uma curva convexa e os pontos de não-suporte estão localzados dentro de trângulos formados por dos pontos de suporte consecutvos. 3. Algortmo Iteratvo de Programação Matemátca para Determnar as Soluções Pareto-ótmas de Suporte A maora dos problemas de otmzação multobjetvo possu mutas soluções Pareto-ótmas. A obtenção dessas soluções é altamente complexa e custosa do ponto de vsta computaconal. 4
5 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 Em problemas reas basta determnar um subconjunto (amostra) das soluções Pareto-ótmas de tal manera que um decsor (responsável pela toma de decsões) opte pela solução mas adequada. O objetvo do algortmo desenvolvdo neste trabalho é determnar o conjunto de soluções Pareto-ótmas de suporte do problema de localzação de facldades b-objetvo. Na etapa ncal do algortmo, são determnados os pontos extremos da frontera Pareto-ótma. Estes pontos são denotados por p e p (Veja Fgura ). As soluções correspondentes no espaço de decsão são denotadas por s e s. Para determnar p e p prmeramente são resolvdos os modelos (P) e (P), apresentados a segur: Mnmzar Sujeto a: Z = j xj + c f y, (3) x = j J (4) j x, I, j J (5) j y d x j j Q j x j {0,}, y {0,}, Z, (6 ) I, j J (7) I (8) (P) Mnmzar Z = d j xj, (9) Sujeto a: Q j x =, j J (0) j x, I, j J () j y c x + f y j j x j {0,}, y {0,}, Z, () I, j J (3) I (4) (P) No modelo (P), Z representa a o valor ótmo de Z que é encontrado ao resolver o modelo (P BLFN ) consderando apenas a função Z. Ou seja, Z = mn d x, sujeto a: (3), (4), (5), (6). j j Q j Smlarmente, Z representa o valor ótmo de Z que é encontrado ao resolver o modelo (P BLFN ) consderando apenas a função Z : Z = mn j xj + c f y, sujeto a: (3), (4), (5), (6). 5
6 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 Se Z e Z representam, respectvamente, os valores ótmos obtdos ao resolver (P) e (P), então os pontos extremos obtdos na fase ncal do algortmo são: p = ( Z, Z ) e p = ( Z, Z ). O conjunto de pontos Pareto-ótmos de suporte PS é ncalzado com p e p, ou seja, PS = {p, p }. Cada vez que é atualzado PS, o conjunto S de soluções no espaço de decsão também é atualzado (S = {s, s }). Os pontos em PS são ordenados em ordem crescente de Z (ou decrescente de Z ). Z p p 3 p Z Fgura. Ponto determnado a partr dos pontos extremos p e p. Na segunda etapa do algortmo, teratvamente são determnados outros pontos Pareto-ótmos de suporte consderando pares de pontos [p, p ] (ntervalo) do conjunto PS e resolvendo o modelo (Pα) para dferentes pesos α = (α, α ), com α + α =. Smlar ao método da busca bnára, um ponto p 3 é determnado entre p e p, ou seja, Z (p ) < Z (p 3 ) < Z (p ) e Z (p ) < Z (p 3 ) < Z (p ) (veja Fgura ). Aqu, Z (p) denota o valor das coordenadas Z do ponto p, =,. O ponto p 3 é adconado ao conjunto PS (entre p e p ) obtendo assm, PS = {p, p 3, p }. Uma manera de determnar um ponto p 3 dentro do ntervalo [p, p ] é defnr os pesos α e α da segunte manera (T KINDT et al., 00): α = δ /( δ ) e α = /( δ ) onde δ = Z ( p ) Z ( p )) /( Z ( p ) Z ( )) + + ( p Usando estes pesos resolve-se o modelo (Pα). Se p 3 p e p 3 p, consdera-se o novo ntervalo [p, p 3 ], determna-se um novo α e resolve-se novamente o modelo (Pα), obtendo um novo ponto p 4 dentro de [p, p 3 ]. Novamente, se p 4 p e p 4 p 3, defne-se o novo ntervalo [p, p 4 ] e determna-se o ponto p 5. Se o ponto determnado concde com uns extremos do ntervalo, desconsdera-se o ponto extremo ncal (p ) e defne-se um novo ntervalo [p 4, p 3 ]. Note que, a déa do algortmo é determnar prmeramente todos os pontos de suporte dentro do ntervalo [p, p 3 ] e em seguda encontrar todos os pontos de suporte dentro do outro ntervalo [p 3, p ] (veja os ntervalos na Fgura ). Enquanto houver novos pontos de suporte dentro de um ntervalo, novos subntervalos serão defndos. Cada novo ponto de suporte determnado é medatamente utlzado para um novo subntervalo. Caso não seja possível determnar novos pontos dentro de um ntervalo [a, b], o ponto a será desconsderado. O ponto b e o ponto medato sucessor de b (em PS) são utlzados para defnr outro ntervalo. 6
7 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 O algortmo fnalza quando for defndo um ntervalo [a, p ] e não exstr mas pontos de suporte dentro deste ntervalo. A segur apresenta-se o algortmo de programação matemátca para determnar pontos/soluções Pareto-ótmas de suporte do problema (P BLFN ). Algortmo teratvo de programação matemátca //Etapa : Determnar os pontos extremos, p e p, da frontera Pareto-ótma: Z := Mn d x, sujeto a: (3), (4), (5), (6); j Q j Z := Mn j xj + j c f y, sujeto a: (3), (4), (5), (6); ( Z, (x j, y ) ) := solução ótma obtda ao resolver (P); ( Z, (x j, y ) ) := solução ótma obtda ao resolver (P); p := ( Z, Z ); p := ( Z, Z ); Se p = p então//o problema possu um ponto (solução) deal. PS = {p } //Conjunto de pontos Pareto-ótmos no espaço objetvo S ={(x j, y ) }; //Conjunto de soluções Pareto-ótmas no espaço de decsão Imprmr os conjuntos PS e S; Fm do algortmo. Fm-Se Senão //Etapa : PS := {p, p }, S :={(x j, y ), (x j, y ) }; prmero := ; ultmo := ; //posções do prmero e últmo ponto de PS Enquanto prmero < ultmo faça //teração do algortmo p := PS[prmero]; p := PS[prmero+]; δ = ( Z ( p ) Z ( p )) /( Z ( p ) Z ( )) ; : p δ α : =, ; ( δ + ) ( δ + ) ( Z, Z (x j, y )) := solução ótma obtda ao resolver (Pα); p 3 := ( Z, Z ); Se Z (p ) < Z < Z (p ) e Z (p ) < Z < Z (p ) então PS := PS { p 3 }; // p 3 é nserdo entre p e p. S := S {(x j, y )}; ultmo := ultmo +; Fm-Se Senão prmero := prmero +; Fm-Senão Fm-Enquanto Imprmr os conjuntos PS e S; Fm-Senão 7
8 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 Fm-Algortmo No algortmo apresentado acma, a ordenação do conjunto PS é da segunte manera: PS ={p, p,..., p prmero-, p prmero, p prmero+,..., p ultmo } Cada vez que é encontrado um novo ponto no ntervalo [p prmero, p prmero+ ], o últmo ponto é empurrado para dreta (ultmo := ultmo +). Quando o ponto encontrado concde com um dos extremos do ntervalo, o prmero troca de posção (prmero := prmero +). Os pontos p, p,..., p prmero- são os pontos já analsados e são desconsderados. O algortmo fnalza quando prmero = ultmo, ou seja, quando não exstr mas ntervalos para serem defndos. Na Fgura 3 mostra-se a evolução do algortmo teratvo para uma nstânca do problema com m = 50 depóstos e n = 300 clentes. Note que, na etapa ncal são obtdos os dos pontos extremos da frontera Pareto-ótma. Na prmera teração do algortmo é obtdo o ponto meo da frontera. Neste exemplo, os pontos da prmera metade da frontera são obtdos até a teração 70. A outra metade é obtda até a teração 439, completando assm toda a frontera com os pontos Pareto-ótmos de suporte. 0 Etapa Inícal 0 Iteração Cobertura (Z) Cobertura (Z ) Custo (Z ) Custo (Z) Iteração Iterações 439 (fm do algortmo) Cobertura (Z) Cobertura (Z) Custo (Z ) Custo (Z ) Fgura 3. Pontos Pareto-ótmos de suporte obtdos para o problema com n = 50 e m = Testes Computaconas do Algortmo O algortmo teratvo de programação matemátca, apresentado na seção 3, fo codfcado em Mosel e resolvdo utlzando o Software de Programação Matemátca Xpress da Dash Optmzaton ( Os testes computaconas foram realzados em um computador com processador Intel Core Quad,4 Ghz com GB de memóra. Foram geradas dferentes nstâncas do problema de localzação de facldades consderando dferentes valores para o número de depóstos (m) e o número de clentes (n). Os valores consderados para m foram: 5, 0, 5, 30, 40 e 50; e os para n foram: 00, 50, 00, 50 e 300. Para cada m n gerou-se 5 problemas. Em total foram gerados 50 problemas. 8
9 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 Para o problema de localzação de facldades abordado neste trabalho, os depóstos estão unformemente dstrbuídos em um quadrado de undades de dstânca, ou seja, as dstâncas de depóstos para clentes são geradas aleatoramente entre 0 e Os custos de atendmento aos clentes são gerados com dstrbução unforme na faxa de 00 a.000 undades; os custos fxos de nstalação dos depóstos no ntervalo.000 a 0.000; e as dstancas de cobertura máxma no ntervalo 0 e Análse dos Resultados Com o ntuto de explorar as característcas do problema de localzação de facldades abordado neste artgo, realzou-se uma análse de correlação estatístca para avalar o comportamento das soluções encontradas pelo algortmo. Incalmente, analsou-se a correlação entre o número de clentes (n) e o número de soluções obtdas e entre o número de clentes e as quantdades mínma e máxma de facldades abertas. Verfcou-se que, os coefcentes de correlação foram próxmos a, o que sgnfca uma varação postva entre esses valores. Ou seja, a medda que o número de clentes aumenta, o número de soluções, as quantdades mínma e máxma de facldades abertas também aumentam. De manera smlar, fo analsada a correlação entre o número de depóstos (m) e o número de soluções encontradas e entre o número de depóstos e as quantdades mínma e máxma de facldades abertas. Os coefcentes de correlação também foram próxmos a, sgnfcando que o aumento no valor de m acarreta um aumento no número de soluções obtdas e nas quantdades mínma e máxma de facldades abertas. Na Tabela, para cada tamanho de problema apresenta-se as médas do número de soluções encontradas, número mínmo e máxmo de facldades abertas, número de terações (número de vezes que o modelo Pα é resolvdo) e o tempo de CPU gasto pelo algortmo. Na Tabela pode ser observado que o número de soluções e as quantdades mínma e máxma de facldades abertas varam de acordo com o número de clentes e depóstos. Na Fgura 4 lustra-se a relação entre o número de clentes e o número de soluções geradas. O tempo computaconal gasto pelo algortmo e o número de terações executadas também depende dos valores de n e m. A execução do algortmo fo relatvamente rápda, gastando em méda de 8 segundos para um problema com m n = 5 00 e 476 segundos para um problema com m n = Vale destacar que, para determnar o conjunto PS em um problema com m n = 50 50, o modelo de programação lnear ntera (Pα) é resolvdo, em méda, 64 vezes Núnero de soluções Número de clentes (n ) Fgura 4. Relação méda entre o número de clentes e o número de soluções. 9
10 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 m n n de soluções Paretoótmas n mínmo facldades abertas n máxmo facldades abertas n terações Tempo (s) ,0 3,8 3,8 65,0 8, ,8 4,6,4 74,8 57, ,6 5,4 3,6, 66, ,8 5,6 5,0 0,6 63, ,4 6, 4,6 0,8 7, ,8 4,6 6, 9,6 38, , 5,6 8,0 33,4 87, ,6 5,8 8,6 40, 34, ,4 5,6 7,6,8 66, ,0 6,8 9,4 8,4 63, ,0 4,4 6,8 79,0 33, ,4 5,8 0,8 05,8 76, ,8 6,0 3,0 6,6 37, ,4 7,0 0, 9,8 59, , 7,6 3,4 3,4 50, ,6 4,4 0,6 80, 59, ,6 5,4 3,4 6, 78, ,0 6,6 3,6 6,0 356, , 7,4 3,8 8,4 79, ,0 7,6 7, 357,0 8, ,0 5,0 4, 99,4 6, ,0 6,0 9,4 5,0 39, ,6 7,0 9,0 86,0 746, , 8, 8,4 69,4 839, ,4 9,0 3,4 99,8 77, ,6 5,4 7, 08, 99, ,4 6,6 3,0 43,8 367, ,0 7, 5,6 5,0 65, ,6 8,0 9, 64, 476, ,8 8, 8,8 37,6 739,8 Tabela. Méda dos resultados obtdos para cada conjunto de problemas m n. 5. Conclusões 0
11 Ro de Janero, RJ, Brasl, 3 a 6 de outubro de 008 Neste artgo desenvolveu-se um algortmo teratvo de Programação Matemátca para determnar soluções Pareto-ótmas ou efcentes do problema b-objetvo de localzação de facldades não-capactado. O algortmo consste em mnmzar teratvamente uma função ponderada defnda pela combnação lnear dos objetvos. Foram resolvdos problemas com até 300 clentes e 50 depóstos. Os tempos computaconas gastos pelo algortmo foram acetáves. Para resolver os problemas menores e maores foram gastos em méda 3 segundos e 744 segundos, respectvamente. A análse dos resultados explctou o fato de que quando há um aumento nas quantdades de depóstos e clentes, o número de soluções, o número máxmo e mínmo de facldades abertas, o número de terações do algortmo e o tempo computaconal também aumentam. Os resultados obtdos neste trabalho serão dsponblzados a fm de serem utlzados na avalação de desempenho de métodos aproxmados ou heurístcos. Agradecmentos À empresa Dash Optmzaton pela lcença cedda da versão completa do Xpress-MP e ao Conselho Naconal de Desenvolvmento Centífco e Tecnológco (CNPq) pelo fnancamento parcal do trabalho (processos: 3039/006-9, /007-4). Referêncas BEASLEY, J. E. An algorthm for solvng large capactated warehouse locaton problems, European Journal of Operatonal Research, volume 33 (3), pp 34-35, 988. CHURCH, R. & REVELLE, C. The Maxmal Coverng Locaton Problem. Papers of the Regonal Scence Assocaton, v. 3, p. 0 8, 974. CORNUÉJOLS, G., NEMHAUSER, G. H. & WOLSEY, L. The uncapactated faclty locaton problem. In: Mrchandan P, Francs R, edtors. Dscrete locaton theory. NewYork:Wley;. p. 9 7, 990. GALVÃO, R. D. & REVELLE, C. S. A Lagrangean Heurstc for the Maxmal Coverng Locaton Problem. European Journal of Operatonal Research, 88: 4-3, 996. GALVÃO, R. D., ESPEJO, L. G. A. & BOFFEY, B. A Comparson of Lagrangean and Surrogate Relaxatons for the Maxmal Coverng Locaton Problem. European Journal of Operatonal Research, 4: , 000. GAO, L. L. & ROBINSON, E.P. Uncapactated faclty locaton: general soluton procedures and computatonal experence. European Journal of Operatonal Research; 76:40 7, 994. KRARUP, J. & PRUZAN P. M. The smple plant locaton problem: survey and synthess. European Journal of Operatonal Research;:36 8, 983. OWEN, S.H. & M.S. DASKIN. Strategc Faclty Locaton: A Revew. European Journal of Operatonal Research,, , 998. PAPADIMITRIOU, C. & YANNAKAKIS, M. Optmzaton, approxmaton and complexty classes. Journal of Computer and System Scences;43:45 440, 99. REVELLE, C. & G. LAPORTE. The Plant Locaton Problem: New Models and Research Prospects. Operatons Research, 44, , 996. STEUER, R. E. Multple crtera optmzaton theory, computaton and applcaton. Wley, 986. T KINDT, V., BILLAUT, J. C. & PROUST, C. An nteractve algorthm to solve bcrtera schedulng problems on unrelated parallelmachnes, European Journal of Operatonal Research, 35, 4 49, 00. ULUNGU, E. & TEGHEM, J. Mult-objectve combnatoral optmzaton: A survey, Journal of Mult-Crtera Decson Analyss 3 (), 83-04, 994.
METAHEURÍSTICA GRASP BI- OBJETIVO PARA UM PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES
METAHEURÍSTICA GRASP BI- OBJETIVO PARA UM PROBLEMA DE LOCALIZAÇÃO DE FACILIDADES WELTON DE SOUZA RIBEIRO (UFV) weltonsrbero@gmal.com JOSE ELIAS CLAUDIO ARROYO (UFV) jarroyo@dp.ufv.br Neste artgo é abordado
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia maisModelos para Localização de Instalações
Modelos para Localzação de Instalações Prof. Dr. Ncolau D. Fares Gualda Escola Poltécnca da Unversdade de São Paulo Departamento de Engenhara de Transportes CLASSIFICAÇÃO DE WEBER (WEBER, Alfred. Uber
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisUm Modelo De Programação Linear Inteira Mista Para A Localização De Armazéns E A Distribuição De Produtos Siderúrgicos
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN Um Modelo De Programação Lnear Intera Msta Para A Localzação De Armazéns E A Dstrbução De Produtos Sderúrgcos Carlos Roberto
Leia maisChapter 9 Location INTRODUÇÃO. Localização de Instalações. Problemas de comunicação
Chapter 9 Locaton Localzação de Instalações Problemas de comuncação http://www.youtube.com/watch?v=h_qnu4rwlvu INTRODUÇÃO INTRODUÇÃO Analsar padrões de localzação pode ser nteressante Porque a Whte Castle,
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMODELOS DE LOCALIZAÇÃO NA SELEÇÃO DE RESERVAS PARA CONSERVAÇÃO DE ESPÉCIES
MODELOS DE LOCALIZAÇÃO NA SELEÇÃO DE RESERVAS PARA CONSERVAÇÃO DE ESPÉCIES Marcelo Gonçalves Narcso CNPTIA EMBRAPA narcso@cnpta.embrapa.br Luz Antono Noguera Lorena lorena@lac.npe.br LAC - Laboratóro Assocado
Leia maisCADERNOS DO IME Série Estatística
CADERNOS DO IME Sére Estatístca ANÁLISE DE MODELOS MATEMÁTICOS PARA O PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO- ALOCAÇÃO DE MÁXIMA COBERTURA Vnícus Morera Pontn Unversdade Federal do Espírto Santo (CEUNES/UFES)
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisDesenho de uma rede Logística
Desenho de uma rede Logístca Desenho da rede Logístca ( Logístca empresaral) Desenho do sstema através do qual exste um fluxo de produtos entre os fornecedores e os clentes. Desenho da rede Logístca (
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisIntrodução aos Problemas de Roteirização e Programação de Veículos
Introdução aos Problemas de Roterzação e Programação de Veículos PNV-2450 André Bergsten Mendes Problema de Programação de Veículos Problema de Programação de Veículos Premssas Os roteros ncam e termnam
Leia maisMODELAGEM E DESENVOLVIMENTO DE UM PROBLEMA DE LOCALIZAÇÃO DE UMA AGROINDÚSTRIA DE EMBUTIDOS NO ESTADO DO PARANÁ
MODELAGEM E DESENVOLVIMENTO DE UM PROBLEMA DE LOCALIZAÇÃO DE UMA AGROINDÚSTRIA DE EMBUTIDOS NO ESTADO DO PARANÁ Marca Marcondes Altmar Samed (UEM) mmasamed@uem.br Jhelsson Lma Mendes (UEM) helsson_lm@msn.com
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisANÁLISE DE MODELOS MATEMÁTICOS PARA O PROBLEMA PROBABILÍSTICO DE LOCALIZAÇÃO- ALOCAÇÃO DE MÁXIMA COBERTURA.
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO A Engenhara de Produção e o Desenvolvmento Sustentável: Integrando Tecnologa e Gestão. Salvador, BA, Brasl, 06 a 09 de outubro de 2009 ANÁLISE DE MODELOS
Leia maisMedidas de Tendência Central. Prof.: Ademilson Teixeira
Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central
Leia mais2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS
ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS 22 2 ENERGIA FIRME DE SISTEMAS HIDRELÉTRICOS Como vsto no capítulo 1, a energa frme de uma usna hdrelétrca corresponde à máxma demanda que pode ser suprda contnuamente
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisAlgoritmos Genéticos com Parâmetros Contínuos
com Parâmetros Contínuos Estéfane G. M. de Lacerda DCA/UFRN Mao/2008 Exemplo FUNÇÃO OBJETIVO : 1,0 f ( x, y) 0, 5 sen x y 0, 5 1, 0 0, 001 x 2 2 2 y 2 2 2 0,8 0,6 0,4 0,2 0,0-100 -75-50 -25 0 25 50 75
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais8 - Medidas Descritivas
8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00 Ro de Janero/RJ UM MODELO DE LOCALIZAÇÃO HIERÁRQUICO CAPACITADO Lus Gonzalo Acosta Espeo COPPE/Unversdade Federal do Ro de Janero C.P.
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisProgramação Dinâmica. Fernando Nogueira Programação Dinâmica 1
Programação Dnâmca Fernando Noguera Programação Dnâmca A Programação Dnâmca procura resolver o problema de otmzação através da análse de uma seqüênca de problemas mas smples do que o problema orgnal. A
Leia mais5 Problema de planejamento de novas redes de telecomunicações
Problema de planejamento de novas redes de telecomuncações O Problema de Planejamento de Novas Redes de Telecomuncações (PPNRT) consste em atender um conjunto de clentes com demandas dferentes que devem
Leia maisBalanceamento das cargas nas respectivas fases do circuito [8]: Posicionamento do transformador abaixador: Recondutoramento dos circuitos:
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novembro de 2003, Natal-RN PLANEJAMENTO DE CIRCUITOS SECUNDÁRIOS DE DISTRIBUIÇÃO USANDO ALGORITMO EVOLUTIVO ESPECIALIZADO Antono Marcos Coss Grupo
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisModelo de programação por restrições para o problema de empacotamento ortogonal tridimensional
Capítulo 5 Modelo de programação por restrções para o problema de empacotamento ortogonal trdmensonal Olvana Xaver do Nascmento 1 Llane de Azevedo Olvera 1 Thago Alves de Queroz 1 Resumo: O Problema de
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Classificadores Lineares. Luiz Eduardo S. Oliveira, Ph.D.
Unversdade Federal do Paraná Departamento de Informátca Reconhecmento de Padrões Classfcadores Lneares Luz Eduardo S. Olvera, Ph.D. http://lesolvera.net Objetvos Introduzr os o conceto de classfcação lnear.
Leia maisGestão e Teoria da Decisão
Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisProblemas de engenharia
Análse de Sstemas de otênca Análse de Sstemas de otênca ( AS ) Aula 3 Operação Econômca de Sstemas de otênca 03//008 roblemas de engenhara Análse de Sstemas de otênca ( AS ) ANÁLISE Defndo o sstema, determnar
Leia maisPROCEDIMENTO PARA ESCOLHA DA LOCALIZAÇÃO DE UM CENTRO REGIONAL DE DISTRIBUIÇÃO E RECOLHA DE EQUIPAMENTOS. N. R. Candido, V.B. G.
PROCEDIMENTO PARA ESCOLHA DA LOCALIZAÇÃO DE UM CENTRO REGIONAL DE DISTRIBUIÇÃO E RECOLHA DE EQUIPAMENTOS N. R. Canddo, V.B. G. Campos RESUMO Apresenta-se neste trabalho um procedmento de auxílo à decsão
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisRESOLUÇÃO DE UM PROBLEMA DE LOCALIZAÇÃO INDUSTRIAL POR MEIO DE MÉTODOS: DETERMINÍSTICO E PROBABILÍSTICO
RESOLUÇÃO DE UM PROBLEMA DE LOCALIZAÇÃO INDUSTRIAL POR MEIO DE MÉTODOS: DETERMINÍSTICO E PROBABILÍSTICO SOLVING A PROBLEM OF INDUSTRIAL LOCATION BY METHODS: DETERMINISTIC AND PROBABILISTIC Ana Letíca Mana
Leia maisPalavras-Chave: Métodos Interativos da Potência e Inverso, Sistemas Lineares, Autovetores e Autovalores.
MSc leandre Estáco Féo ssocação Educaconal Dom Bosco - Faculdade de Engenhara de Resende Caa Postal 8.698/87 - CEP 75-97 - Resende - RJ Brasl Professor e Doutorando de Engenhara aefeo@yahoo.com.br Resumo
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais), demonstrado no capítulo 3, para
6 Conclusão Neste trabalho foram realzados cnco estudos de casos como meo de nvestgar a nfluênca de trbutos no processo decsóro de localzação. Buscou-se realzar as entrevstas em dferentes negócos para
Leia mais6 Revisão Bibliográfica
45 6 Revsão Bblográfca 6. Métrcas Espacas A defnção da localzação dos pontos que formam uma cadea de suprmentos é um dos aspectos mas mportantes no planejamento de um sstema logístco. ormalmente estes
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisCURSO A DISTÂNCIA DE GEOESTATÍSTICA
CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,
Leia maisMIP-heurísticas para um problema de dimensionamento e sequenciamento de lotes em linhas paralelas e relacionadas
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceedng Seres of the Brazlan Socety of Computatonal and Appled Mathematcs MIP-heurístcas para um problema de dmensonamento e sequencamento
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL
3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisAbordagem da Metaheurística Clustering Search com Simulated Annealing para o Problema de Alocação de Berços de Navios
Abordagem da Metaheurístca Clusterng Search com Smulated Annealng para o Problema de Alocação de Berços de Navos Rudne Martns de Olvera 1, *, Geraldo Regs Maur 2, Luz Antono Noguera Lorena 3 1 rudmart@gmal.com,
Leia maisLocalização de instalações com o auxílio de Sistema de Informações Geográficas (SIG) e modelagem matemática
XXVI ENEGEP - Fortaleza, CE, Brasl, 9 a 11 de Outubro de 2006 Localzação de nstalações com o auxílo de Sstema de Informações Geográfcas (SIG) e modelagem matemátca Sílva Mara Santana Mapa (UNIFEI) slvnhamapa@yahoo.com.br
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
ALGORITMO GENÉTICO APLICADO À ELEÇÃO MULTI-CRITÉRIO DE CARTEIRA DE PROJETO DE PETRÓLEO E GÁ Karn upo Gavancho Departamento de Engenhara Elétrca, PUC-RIO, Rua Marques de ão Vcente 225, Ro de Janero Karsupo@ele.puc-ro.br
Leia maisAlocação de Dispositivos PLC Numa Rede de Distribuição Elétrica de Baixa Tensão Usando Programação Linear Inteira Mista
Alocação de Dspostvos PLC uma Rede de Dstrbução Elétrca de Baxa Tensão Usando Programação Lnear Intera sta Fabano J. L. Pádua, Insttuto Federal de Educação, Cênca e Tecnologa de ato Grosso - IFT Campus
Leia mais3 Desenvolvimento do Modelo
3 Desenvolvmento do Modelo Neste capítulo apresentaremos como está estruturado o modelo desenvolvdo nesta dssertação para otmzar o despacho de geradores dstrbuídos com o obetvo de reduzr os custos da rede
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia maisEduardo Andrade Veloso
Estruturas de Árvores Dsuntas Obtdas através dos Conuntos Recíprocos Completos e Não Recíprocos e seu uso na Determnação das p-medanas de uma Rede. Eduardo Andrade Veloso Unversdade Estadual da Paraíba
Leia maisALGORITMO EXATO APLICADO AO PROBLEMA DE LOCALIZAÇÃO DE CONCENTRADORES EM ÁRVORE SOB CONGESTIONAMENTO
ALGORITMO EXATO APLICADO AO PROBLEMA DE LOCALIZAÇÃO DE CONCENTRADORES EM ÁRVORE SOB CONGESTIONAMENTO Elsangela Martns de Sá elsangeladep@ufmg.br Rcardo Sarava de Camargo rcamargo@dep.ufmg.br Glberto Mranda
Leia mais0.5 setgray0 0.5 setgray1. Mecânica dos Fluidos Computacional. Aula 7. Leandro Franco de Souza. Leandro Franco de Souza p.
Leandro Franco de Souza lefraso@cmc.usp.br p. 1/1 0.5 setgray0 0.5 setgray1 Mecânca dos Fludos Computaconal Aula 7 Leandro Franco de Souza Leandro Franco de Souza lefraso@cmc.usp.br p. 2/1 Equações Dferencas
Leia maisFlambagem. Cálculo da carga crítica via MDF
Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca
Leia mais2 Modelos de Otimização sob Incerteza 2.1. Introdução
2 Modelos de Otmzação sob Incerteza 2.. Introdução Modelos de programação matemátca são comumente utlzados para solução de problemas de programação da produção, de logístca, de schedulng e de planejamento
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
Programação Lnear (PL) Aula : Dualdade. Defnção do Problema Dual. Defnção do problema dual. O que é dualdade em Programação Lnear? Dualdade sgnfca a exstênca de um outro problema de PL, assocado a cada
Leia maisPROBLEMA DE DIMENSIONAMENTO DE LOTES E SEQÜENCIAMENTO DA PRODUÇÃO: UM ESTUDO DE CASO EM UMA INDÚSTRIA DE BEBIDAS
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& PROBLEMA DE DIMENSIONAMENTO DE LOTES E SEQÜENCIAMENTO
Leia maisALGORITMO GENÉTICO PARA O PROBLEMA DE ESCALONAMENTO DE TAREFAS EM MÁQUINAS PARALELAS COM MÚLTIPLOS OBJETIVOS
ALGORITMO GENÉTICO PARA O PROBLEMA DE ESCALONAMENTO DE TAREFAS EM MÁQUINAS PARALELAS COM MÚLTIPLOS OBJETIVOS José Elas Claudo Arroyo Ralf Luís Perre Rbero Unversdade Cânddo Mendes, UCAM-Campos, Núcleo
Leia mais5. Estratégias de distribuição
5. Estratégas de dstrbução Segundo BALLOU[1993], a Dstrbução Físca é o ramo da Logístca Empresaral que trata da movmentação, estocagem e processamento de peddos dos produtos fnas de uma empresa. O seu
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia mais4 Sistema Híbrido de Otimização de Estratégia de Controle de Válvulas de Poços Inteligentes sob Incertezas
44 4 Sstema Híbrdo de Otmzação de Estratéga de Controle de Válvulas de Poços Intelgentes sob Incertezas Conforme dscutdo no capítulo 2, na engenhara de reservatóro a atvdade de gerencamento é uma tarefa
Leia maisSeqüenciação de N ordens de produção em uma máquina com tempo de preparação dependente da seqüência uma aplicação de busca tabu
XXVI ENEGEP - Fortaleza, CE, Brasl, 9 a 11 de Outubro de 2006 Seqüencação de N ordens de produção em uma máquna com tempo de preparação dependente da seqüênca uma aplcação de busca tabu Renato de Olvera
Leia maisMETOLOGIA. 1. Histórico
METOLOGIA A Sondagem da Construção Cvl do RS é uma sondagem de opnão empresaral realzada mensalmente e fo crada pela Confederação Naconal da Indústra (CNI) com o apoo da Câmara Braslera da Indústra da
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia mais