UM ALGORITMO EXATO PARA UM PROBLEMA DE PROGRAMAÇÃO INTEIRA BIOBJETIVO
|
|
- Pedro Lucas Ronaldo Alencastre Canela
- 6 Há anos
- Visualizações:
Transcrição
1 UM ALGORITMO EXATO PARA UM PROBLEMA DE PROGRAMAÇÃO INTEIRA BIOBJETIVO Leizer de Lima Pinto Instituto de Informática - UFG Rua Alameda Palmeiras, Quadra D, Câmpus Samambaia - CEP Goiânia - GO leizer@inf.ufg.br Kátia Cilene Costa Fernandes Instituto de Informática - UFG Rua Alameda Palmeiras, Quadra D, Câmpus Samambaia - CEP Goiânia - GO katiacilene@inf.ufg.br RESUMO Este artigo apresenta um problema de programação inteira biobjetivo com aplicações em redes e transportes. Uma função objetivo é do tipo totalizadora (min-soma) e a outra é do tipo gargalo (min-max). Um método exato baseado na técnica ε-restrito é apresentado para gerar um conjunto mínimo completo de soluções Pareto-ótimas, o qual foi implementado em linguagem C++. Prova de otimalidade, uma aplicação envolvendo um problema de transporte e resultados computacionais avaliando o desempenho do método através do solver CPLEX também são apresentados. PALAVRAS CHAVE. Programação Inteira Biobjetivo, Função Gargalo, Solução Paretoótima. TÓPICOS. ADM - Apoio à Decisão Multicritério, PM - Programação Matemática, OC - Otimização Combinatória. ABSTRACT This paper presents a biobjective programming problem with applications in networks and transportations. One objective function is of cost type (min-sum) and the other is of bottleneck type (min-max). An exact algorithm is developed to generate a minimal complete set of Pareto-optimal solutions, which it was implemented in C++. Optimality proof of the algorithm, an application involving a transportation problem and computational experiments evaluating the performance of the algorithm by CPLEX solver are also presented. KEYWORDS. Biobjective Integer Programming, Bottleneck Function, Pareto-optimal Solution. PAPER TOPICS. ADM - Multicriteria Decision Support, PM - Mathematical Programming, OC - Combinatorial Optimization. 484
2 1 Introdução O século 21 vive um cenário de intensos gargalos tanto na rede de transporte, pelo crescimento infrene da frota automobilística e o não desenvolvimento das vias rodoviárias, como na rede de comunicação, pelo desenvolvimento significativo dos equipamentos e das ferramentas de tecnologias eletrônicas. Neste sentido, o estudo e o desenvolvimento de técnicas de otimização, tratando esses objetivos, se faz necessário. Os problemas de fluxos em redes com múltiplos objetivos representam uma classe de problemas da otimização combinatória multiobjetivo e possuem uma extensa variedade de problemas de interesses práticos, por exemplo, em redes de comunicação e sistemas de transporte. Para um estudo aprofundado sobre esses problemas de fluxos em redes e problemas de otimização combinatória multiobjetivo veja [Ahuja et al., 1993; Ehrgott e Gandibleux, 2002; Ulungu e Teghem, 1994]. Muitos desses problemas de fluxos são tratados com programação inteira multiobjetivo (PIMO) [Klein e Hannan, 1982; Clímaco et al., 1997; Alves e Costa, 2012]. A literatura traz vários métodos para determinar todas as soluções eficientes, ou um subconjunto pré-definido delas, para os problemas de PIMO, denominados de métodos geradores. A técnica mais utilizada para achar soluções eficientes é a escalarização, empregada em quase todos os métodos exatos e em muitas técnicas heurísticas, que transforma o problema de PIMO em problemas com um único objetivo, os quais são resolvidos repetidamente. Dentre esses métodos destacam-se o método das restrições (ε-restrito). Ele cria um problema mono-objetivo, através do problema original, mantendo apenas uma das funções objetivo e transformando as demais em restrições. Veja [Ehrgott, 2006]. Em [Hansen, 1980] são apresentados algoritmos de rotulagem, que trabalham diretamente sobre o grafo, para diversos problemas de caminho bicritérios, dentre eles o problema com uma função objetivo totalizadora e outra gargalo. Posteriormente, [Clímaco e Martins, 1982] apresentaram um problema genérico com duas funções objetivo totalizadora e um método para o problema, que classifica os caminhos mínimos, visando determinar os caminhos não-dominados. Dois anos depois, [Martins, 1984] manifestou o interesse em problemas de caminho bicritérios em que uma das funções é do tipo gargalo. Um algoritmo para determinar um conjunto mínimo completo de caminhos não-dominados é apresentado. Problemas bicritérios em grafos generalizados, que são modelados com duas medidas de desempenhos, sendo uma função totalizadora e a outra uma função gargalo, foi apresentado por [Berman et al., 1990]. O artigo traz três algoritmos com o intuito de achar todas as soluções Paretoótimas, com base no método da restrição. Para o problema de caminho tricritério, com uma função custo e duas funções gargalo, [Pinto et al., 2009] apresentaram o primeiro algoritmo exato e polinomial. O método consiste em determinar caminhos mínimos em subredes, obtidas por um conjunto restrito de arestas de acordo com limites para as funções gargalo. No ano seguinte, [Pinto e Pascoal, 2010] desenvolveram um algoritmo com melhor desempenho computacional, para o mesmo problema. Em 2012, [Bornstein et al., 2012] generalizaram e estenderam o algoritmo anterior para problemas de otimização combinatória multiobjetivo, com uma função totalizadora e n funções gargalo. Os algoritmos multiobjetivos, acima mencionados, são limitados a resolver problemas em que os pesos, nos elementos que compõem as soluções (por exemplo as arestas do grafo nos problemas de caminho), são fixos. Isto deve ao fato de que eles trabalham com uma ordenação nos pesos associados às funções objetivo de gargalo e, em cada iteração, definem e resolvem um problema mono-objetivo incluindo ou excluindo elementos, com base em tal ordenação. Em diversos problemas em redes é comum ter como meta o roteamento de fluxos onde, para cada fluxo, é destinado um caminho. Para estes casos, um objetivo clássico é o balanceamento de carga, que consiste em rotear os fluxos, minimizando o gargalo da rede. Outro objetivo comum, em tais problemas, consiste em minimizar o número de saltos para o roteamento dos fluxos. Nestes 485
3 problemas, os pesos associados aos elementos (links) passam a ser dinâmicos, pois consistem dos fluxos que serão atribuídos aos links. Uma aplicação para este problema podem ser encontrado em [Gálvez e Ruiz, 2013] ou [De Melo et al., 2014]. Esses trabalhos apresentam algoritmos heurísticos para variantes desse problema. Neste trabalho, um modelo de programação inteira biobjetivo é apresentado e um método de solução é proposto para resolver esse modelo de forma exata. O método proposto se baseia na técnica ε-restrito e trabalha de forma interativa, resolvendo, em cada iteração, um subproblema mono-objetivo de programação inteira. A função objetivo destes problemas mono-objetivo consiste em minimizar o número total de saltos para o roteamento dos fluxos e, por restrições, lidamos com o gargalo da rede, que é dado pelo valor da carga da(s) aresta(s) mais sobrecarregada(s). Esse método obtém um conjunto mínimo completo de soluções Pareto-ótimas. Na seção seguinte é apresentado o modelo para o problema, acompanhado de definições e notações utilizadas nesse trabalho. Uma aplicação é exibida nessa mesma seção. Na terceira seção é apresentado o método, juntamente com um exemplo que ilustra o seu funcionamento e provas de otimalidade. A seção 4 traz e discute os resultados computacionais. As considerações finais são exibidas na última seção. 2 O Problema Considere um conjunto de fluxos F, com F = r, a ser roteado em um grafo orientado G = (V,E), onde V representa o conjunto de nós e E o conjunto de arestas, com V = n e E = m. Cada fluxo f F deve ser roteado por um único caminho em G, indo da sua origem s f V ao seu destino d f V. Para cada aresta e sd E, indo de s V para d V, e fluxo f F, definimos uma variável binária x f (sd), que irá indicar se o fluxo f vai passar (ou não) pela aresta e sd. Assim, o modelo de programação inteira biobjetivo, que formulamos para o problema, de rotear os r fluxos, minimizando o gargalo da rede e o número total de saltos, segue-se abaixo. (P) minimizar minimizar sujeito a: { { max e sd E { f F e sd E }} x f (sd) f F x f (sd) } (1) (2) e s f d E x f (s f d) = e sd f E x f (sd f ) = 1, f F (3) x f (sd) x f (ds) = 0, s V { } d f,s f, f F (4) e sd E e ds E x f (sd) {0,1}, e sd E e f F (5) Enquanto (1) busca minimizar a carga da(s) aresta(s) mais congestionada(s), (2) busca minimizar o total de saltos para o roteamento dos fluxos. As duas restrições em (3) garantem que cada fluxo f F saia da sua origem, s f, e alcança o seu destino, d f. Além disso, as restrições (3), (4) e (5) garantem, juntas, que cada fluxo segue apenas por um único caminho entre sua origem e seu destino. 486
4 Temos que (1) é dita uma função gargalo e (2) uma função totalizadora. Podemos observar que estas duas funções objetivo são conflitantes, pois minimizar a carga da(s) aresta(s) mais congestionada(s) deve implicar em caminhos mais longos para os fluxos. Da mesma forma, minimizar o número total de saltos deve levar a um maior valor para a função gargalo. Claro, dependendo da instância, podemos ter caminhos mais curtos e disjuntos para os fluxos. Isto é, para estes casos existe uma solução com no máximo um fluxo em cada aresta, e o número total de saltos é mínimo, ou seja, ela minimiza as duas funções ao mesmo tempo. Porém, estes casos são raros. Sejam X, o conjunto viável de (P), e z(x) = [z 1 (x), z 2 (x)], o vetor objetivo associado a x X, onde: z 1 (x) = max x f (sd) e sd E f F e z 2 (x) = f F e sd E x f (sd). Para x, x X, dizemos que x domina x quando z(x) z(x ) e z(x) z(x ). Assim, uma solução viável x X é uma solução Pareto-ótima se não existe nenhuma outra solução em X que domine x. O conjunto X X, formado por soluções Pareto-ótimas, é um conjunto mínimo completo quando: 1) para cada par de soluções x, x X temos z(x ) z( x) ; e, 2) para qualquer solução Pareto-ótima x X existe x X tal que z(x) = z(x ). Uma aplicação. Suponha uma via rodoviária representada por um grafo onde, cada trecho (aresta) ligando duas cidades (nós), exista um ponto de parada (fiscalização obrigatória ou pedágio). A função z 2 pode representar o total de paradas dos caminhões, de uma determinada companhia de transporte, que trafegam por esta via. A função z 1 visa medir a densidade do tráfico no trecho mais congestionado. A companhia pode estar interessada em, simultaneamente, minimizar a quantidade total de paradas dos seus caminhões e balancear a carga na via, minimizando o gargalo. 3 O Algoritmo Nesta seção é apresentado um método biobjetivo para a obtenção de um conjunto mínimo completo de soluções Pareto-ótimas para o problema (P). Em cada iteração um subproblema monoobjetivo é definido e resolvido, o qual é um problema de programação inteira 0-1, denominado por (P α ). A função objetivo de (P α ) é dada por z 2, isto é, a função totalizadora (2) do problema biobjetivo (P). As restrições de (P α ) são (3), (4) e (5) de (P), juntamente com uma restrição sobre o gargalo, a qual é definida através do parâmetro α. { } (P α ) minimizar x f (sd) sujeito a: f F e sd E e s f d E x f (s f d) = e sd f E x f (sd f ) = 1, f F x f (sd) x f (ds) = 0, s V { } d f,s f, f F e sd E e ds E x f (sd) α, e sd E f F x f (sd) {0,1}, e sd E e f F 487
5 A escolha de manter a função totalizadora (2) como função objetivo, e tratar a função gargalo (1) como restrição, se deve ao fato de (2) ser uma função linear e (1) não ser. Porém, as restrições associadas ao parâmetro α, que limitam os valores de (1), são lineares. Logo, esta estratégia nos permite resolver o problema (P) por programação linear. Inicialmente fazemos α =, e após a obtenção da solução ótima x para (P α ), fazemos α = z 1 ( x) 1. Desta forma, o gargalo da nova solução, x, obtida na iteração seguinte, será menor do que o da anterior, renomeada para ˆx. Então, caso o valor de z 2 seja o mesmo para estas duas soluções, temos que a solução anterior é dominada pela nova solução, daí a solução anterior é deletada. Assim, segue o algoritmo até uma iteração em que (P α ) seja inviável. O algoritmo completo é apresentado a seguir. Algoritmo X /0; α. 2. Enquanto (P α ) não for inviável faça 3. x solução ótima de (P α ) 4. X X { x} 5. α z 1 ( x) 1 6. Se X > 1 e z 2 ( x) = z 2 ( ˆx) então 7. X X { ˆx} 8. ˆx x O decremento de exatamente uma unidade no valor de α, de uma iteração para a próxima, é necessário para garantir a obtenção de um conjunto mínimo completo de soluções Pareto-ótimas. Como os valores de z 1 são inteiros, a atualização de α garante que qualquer solução, com z 1 menor do que o da última solução obtida, será viável para o subproblema atual. Porém, embora α sofra esse pequeno decréscimo, a solução obtida pode ter um valor para z 1 menor do que este limite. Por exemplo, se em uma dada iteração temos α = 15 e obtemos uma solução com z 1 = 10, na iteração seguinte o limite passa a ser α = 9. Temos que a matriz tecnológica dos problemas (P α ) é totalmente unimodular. Desta forma, a resolução da relaxação linear destes problemas pelo algoritmo Simplex, quando estes admitem solução ótima, resultará em uma solução ótima inteira. Isto acelera a resolução de (P) pelo Algoritmo 1. Além disso, podemos observar que de um (P α ) para o próximo apenas o vetor do lado direito sofre alteração (nas últimas posições, associadas ao parâmetro α). Assim, a técnica de pósotimização, aplicando o algoritmo Simplex dual, pode acelerar ainda mais a execução do Algoritmo 1. Exemplo de funcionamento. Considere o conjunto de fluxos F = { f 1, f 2, f 3, f 4, f 5 } a ser roteado no grafo da Figura 1(a), onde o nó 2 é a origem de todos os fluxos, o nó 3 é o destino dos fluxos f 1, f 2 e f 3, e o nó 4 é o destino de f 4 e f
6 4 3 4 f 4 3 f 1, f 2, f 3, f f 5 1 f (a) Grafo original. (b) Primeira iteração. 4 3 f 1, f 2, f 3 4 f 3 3 f 1, f 2 f 4 f 4 f f 3 f 3 1 f 4, f 5 2 f 5 f 4, f (c) Segunda iteração. (d) Terceira iteração. Figura 1: Exemplo de execução do Algoritmo 1. Na primeira iteração tem-se α = e obtemos a solução ótima x 1, com z 1 (x 1 ) = 4 (quatro fluxos na aresta (2,3)) e z 2 (x 1 ) = 7 (sete saltos para o roteamento dos fluxos), conforme Figura 1(b). Na segunda iteração, resolvendo (P α ) para α = 3, obtemos a solução ótima x 2, com z 1 (x 2 ) = 3 e z 2 (x 2 ) = 7, conforme Figura 1(c). Como ocorreu empate no valor de z 2, eliminamos x 1 do conjunto de soluções. Veja que, de fato, x 2 domina x 1. Na terceira iteração, para α = 2, obtemos x 3 com z 1 (x 3 ) = 2 e z 2 (x 3 ) = 9, conforme Figura 1(d). Na iteração seguinte o algoritmo é finalizado, após detectar que (P α ), α = 1, é inviável. A tabela abaixo resume a execução completa do algoritmo. Tabela 1: Soluções geradas pelo Algoritmo 1. Iteração(k) α (P α ) z 1 (x k ) z 2 (x k ) X 1 Viável 4 7 {x 1 } 2 3 Viável 3 7 {x 2 } 3 2 Viável 2 9 {x 2, x 3 } 4 1 Inviável - - {x 2, x 3 } A seguir apresentamos resultados que comprovam a otimalidade do Algoritmo 1. Proposição 1. No final do Algoritmo 1 todas as soluções em X são Pareto-ótimas para (P). Justificativa. Seja x uma solução Pareto-ótima qualquer de (P) e x k uma solução qualquer em X, no final do algoritmo, obtida resolvendo o problema (P α ). Mostraremos, a seguir, que x k não é dominado por x, o que implica que x k é Pareto-ótima de (P). Para o caso em que z 1 (x) > z 1 (x k ) temos, obviamente, que x k não é dominado por x. No caso de z 1 (x) z 1 (x k ), temos que x é viável para (P α ). Como a solução ótima em relação a z 2, obtida em (P α ), foi x k, temos z 2 (x k ) z 2 (x). Logo, x k somente seria dominado por x se z 2 (x) = z 2 (x k ) para z 1 (x) < z 1 (x k ). Mas, z 1 (x) < z 1 (x k ) implica em x ser viável para algum (Pᾱ), ᾱ < α. Neste caso a comparação feita na iteração seguinte a que x k foi obtida nos levaria a excluir x k, pois z 2 (x) = z 2 (x k ), o que seria um absurdo, uma vez que 489
7 x k X, no final do algoritmo. Observe que se x k foi obtido na última iteração do algoritmo, então z 1 atinge seu valor mínimo em x k, consequentemente, z 1 (x k ) z 1 (x). No caso de z 1 (x k ) = z 1 (x) teríamos x viável em (P α ) o que levaria z 2 (x k ) z 2 (x). Portanto, x k não é dominado por x. Proposição 2. Para qualquer solução x, Pareto-ótima para (P), existe uma solução equivalente em X no final do Algoritmo 1. Justificativa. Seja α o menor valor inteiro maior ou igual a z 1 (x) para o qual uma iteração do algoritmo foi executada. Isto implica que x é viável para (P α ). Seja x k a solução ótima de (P α ) obtida nesta iteração. Consequentemente, temos que z 2 (x k ) z 2 (x). Por outro lado, como x é solução Pareto-ótima, então z 1 (x k ) z 1 (x). Veja que o caso z 1 (x k ) > z 1 (x) é impossível, pois com isso teríamos executado uma outra iteração ᾱ < α tal que ᾱ z 1 (x). Logo, z 1 (x k ) = z 1 (x) e z 2 (x k ) = z 2 (x). Portanto, o conjunto X, no final do Algoritmo 1, é um conjunto mínimo completo de soluções Pareto-ótimas para (P). Todas as soluções x k X são Pareto-ótimas (Teorema 1) e para qualquer solução Pareto-ótima x existe uma solução equivalente em X, isto é, com o mesmo vetor objetivo (Teorema 2). Além disso, pelo Passo 6 do Algoritmo 1, todas as soluções x X têm vetores objetivos distintos. Proposição 3. A complexidade do Algoritmo 1 é O(r g(α)), onde r é o número de fluxos e g(α) é a complexidade de (P α ). Justificativa. O pior caso, na primeira iteração, é que exista pelo menos uma aresta que por ela passe todos os r fluxos, isto é, o gargalo é igual a r. Na segunda iteração, o pior caso, seria que o gargalo fosse igual a r 1. Seguindo desta forma, teríamos exatamente r iterações. Portanto, como a complexidade de cada iteração é g(α), temos que a complexidade do Algoritmo 1 é O(r g(α)). Consequência da Proposição 1. A cardinalidade de X, no final do Algoritmo 1, é limitada superiormente pelo número de fluxos, r. Justificativa. Pelo Teorema 3, o número máximo de iterações é r. Além disso, pelo Algoritmo 1, no máximo uma solução é inserida em X, por iteração. Logo, a cardinalidade de X é limitado superiormente pelo número de fluxos. 4 Resultados Computacionais Os resultados computacionais, aqui apresentados, são referentes à implementação do Algoritmo 1 para a resolução do problema (P), definido sobre grafos aleatórios. As implementações foram feitas em linguagem C++ e compiladas com o Microsoft Visual C O modelo matemático foi implementado em C++ utilizando a biblioteca Concert do CPLEX 12.4 e os experimentos foram executados em um PC com processador Intel Core 2 Duo T6400 e memória RAM de 4Gb. Grafos com n = 50, 100 e 150 nós foram obtidos gerando aleatoriamente m.n arestas, onde cada nó possui grau de entrada e saída iguais a m. A densidade do grafo deu origem a dois grupos de instâncias, um com m = 4 e outro com m = 8. Os nós de origem e de destino de cada fluxo f F também foram gerados aleatoriamente, considerando três configurações distintas. Na primeira, todos os fluxos têm o mesmo destino e as origens são variadas. Na segunda, todos os fluxos têm 490
8 a mesma origem e o mesmo destino. E, na terceira configuração, a origem e o destino são variados. Não apresentamos o caso em que os fluxos têm a mesma origem e destinos variados, pois os resultados são análogos aos da primeira configuração. A quantidade de fluxos considerada foi de r = 25, 50, 75, 100, 150, 200 e 300. As Tabelas 2 e 3 mostram o número de nós (n), a quantidade de fluxos (r), a cardinalidade do conjunto mínimo completo ( X ), o número de iterações em que P α foi resolvido (It) e o tempo de CPU, em segundos, para executar o algoritmo (t). Os resultados apresentados são valores médios para 10 diferentes instâncias do conjunto de dados, com m = 4 e m = 8, respectivamente. Tabela 2: Resultados para m = 4. Tipos de Fluxos n r X It t Origens ,76 quaisquer e ,24 mesmo destino ,97 Mesma ,31 origem e ,60 mesmo destino ,15 Origens ,17 quaisquer e ,91 destinos quaisquer ,07 Origens ,89 quaisquer e ,55 mesmo destino ,85 Mesma ,14 origem e ,14 mesmo destino ,47 Origens ,87 quaisquer e ,65 destinos quaisquer ,82 Origens ,19 quaisquer e ,75 mesmo destino ,92 Mesma ,44 origem e ,56 mesmo destino ,47 Origens ,42 quaisquer e ,82 destinos quaisquer ,35 Tabela 3: Resultados para m = 8. Tipos de Fluxos n r X It t Origens ,61 quaisquer e ,62 mesmo destino ,51 Mesma ,54 origem e ,93 mesmo destino ,00 Origens ,29 quaisquer e ,83 destinos quaisquer ,70 Origens ,44 quaisquer e ,18 mesmo destino ,79 Mesma ,83 origem e ,5 mesmo destino ,76 Origens ,32 quaisquer e ,53 destinos quaisquer ,89 Origens ,81 quaisquer e ,02 mesmo destino Mesma ,76 origem e ,04 mesmo destino ,61 Origens ,24 quaisquer e ,83 destinos quaisquer ,74 A Tabela 4 apresenta a porcentagem da quantidade de soluções geradas pelo Algoritmo 1 que são Pareto-ótimas (Rel 1 ) e a porcentagem da quantidade de iterações em relação ao limite máximo que poderia ocorrer (Rel 2 ), conforme o Corolário 1. Esses resultados são valores médios para 60 diferentes instâncias de conjunto de dados, sendo dez de cada um dos seis cenários, considerando r < n, r = n e r > n. Tabela 4: Resultados médios para m = 4 e m = 8. r < n r = n r > n Tipos de Fluxos Relação Média Desvio Padrão Média Desvio Padrão Média Desvio Padrão Origens quaisquer e Rel 1 29% 18% 17% 7% 11% 11% mesmo destino Rel 2 13% 5% 9% 3% 6% 2% Mesma origem e Rel 1 64% 4% 65% 4% 65% 4% mesmo destino Rel 2 53% 3% 47% 3% 97% 15% Origens quaisquer e Rel 1 72% 22% 60% 21% 54% 18% destinos quaisquer Rel 2 6% 3% 4% 1% 3% 2% A seguir são comentados os resultados computacionais, com base nos valores apresentados 491
9 nas Tabelas 2, 3 e 4. a) Todos os fluxos com origens quaisquer e mesmo destino Para este cenário é fácil ver que o gargalo mínimo ( b min ) é dado por b min = r m, pois todos os fluxos têm o mesmo destino. Pelo fato dos fluxos terem origens distintas e pela estrutura k-regular do grafo, mesmo reduzindo o limite na restrição do gargalo, continuamos encontrando, em muitos casos, caminhos com a mesma quantidade de saltos para os fluxos. Isto justifica o baixo número de soluções Pareto-ótimas em X. O aumento no número de fluxos implicou no aumento do número de iterações, porém, a proporção de iterações em relação ao limite máximo de iterações possíveis foi reduzida. Já a quantidade média de soluções Pareto-ótimas não sofreu alterações significativas. Além disso, para todas as instâncias deste grupo, o número de iterações foi, no máximo, 13% do limite superior possível de iterações. b) Todos os fluxos com a mesma origem e mesmo destino r m Como o gargalo está entre b min = e b max = r, pois no pior caso podemos ter todos r m os r fluxos passando por uma certa aresta, então podemos ter até (r + 1) iterações. Observe que para esta classe de instâncias, por termos a mesma origem e o mesmo destino para todos os fluxos, é muito provável termos todos os fluxos passando pelo mesmo caminho. Neste caso, a primeira solução atinge o gargalo máximo, que é b max = r. Em muitos casos, para este grupo, ocorreu de obter, em cada iteração, uma solução com uma piora no número de saltos e melhorando o gargalo em poucas unidades. Isto é o que justifica o alto número de soluções Pareto-ótimas. c) Todos os fluxos com origens e destinos quaisquer Como para estas instâncias as origens e os destinos dos fluxos são distintos, tivemos um gargalo muito pequeno já na primeira iteração. Neste caso o número de iterações e o número de soluções Pareto-ótimas são extremamente baixos, como pode ser observado nas tabelas. De fato, o número de iterações para estas instâncias foi sempre menor ou igual a 6% do limite máximo de iterações possíveis. 5 Considerações Finais Os algoritmos apresentados em [Berman et al., 1990; Pinto et al., 2009; Pinto e Pascoal, 2010; Bornstein et al., 2012] são eficientes (polinomiais), mas limitados a problemas em que os pesos dos elementos que compõem a solução sejam fixos. Problemas em redes similares ao apresentado aqui, isto é, que também visam rotear um conjunto de fluxos por caminhos minimizando o gargalo da rede e o comprimento dos caminhos, são tratados com algoritmos heurísticos em [Gálvez e Ruiz, 2013; De Melo et al., 2014]. Uma diferença na formulação dos problemas é que, enquanto nestes dois trabalhos o comprimento de cada caminho é considerado individualmente, aqui elaboramos uma única função totalizadora que busca minimizar o número de saltos para todos os caminhos. Isto nos possibilitou tratar o problema de forma exata, o que consiste na contribuição deste trabalho. Nos resultados computacionais, observamos que para instâncias com fluxos de origens e/ou destinos variados, o número de soluções Pareto-ótimas no conjunto mínimo completo é extremamente baixo. Isto consiste em um resultado importante, pois facilita a tomada de decisão em torno de qual solução escolher para fazer o roteamento dos fluxos. 492
10 Pesquisas futuras podem lidar com extensões das ideias apresentadas aqui. Acrescentar restrições ao modelo de modo a impor um limite superior para o comprimento de cada fluxo; considerar capacidades para as arestas; lidar com fluxos de pesos variados; e, considerar outros fluxos já existentes na rede. Agradecimento. Os autores agradecem os valiosos comentários e sugestões feitos pelos avaliadores deste trabalho. Referências Ahuja, R. K., Magnanti, T. L. e Orlin, J. B. (1993). Network Flows: Theory, Algorithms and Applications. 1st Edition. Prentice-Hall. Alves, M. J. e Costa, J. P. (2012). Programação Linear Inteira e Inteira-Mista Multiobjetivo: Conceitos Fundamentais e Métodos. Congreso latino-liberoamericano de Investigación Operativa e. Berman, O., Einav, D. e Handler, G. (1990). The constrained Bottleneck Problem in Networks. Operations Research 38 (1): Bornstein, C. T., Maculan, N., Pascoal, M. e Pinto, L. L. (2012). Multiobjective combinatorial optimization problems with a cost and several bottleneck objective functions: An algorithm with reoptimization. Computers & Operations Research, 39: Clímaco, J. C. N. e Martins, E.Q.V. (1982). A bicriterion shortest path algorithm. European Journal of Operational Research, 11: Clímaco, J. C. N, Ferreira, C. e Captivo, M. E. (1997). Multicriteria integer programming: an overview of the different algorithmic approaches. Multicriteria Analysis, Springer-Verlag, Berlin, De Mello, M. O. M. C., Borges, V. C. M., Pinto, L. L. e Cardoso, K. V. (2014). Load balancing routing for path length and overhead controlling in Wireless Mesh Networks. In Computers and Communication (ISCC), 2014 IEEE Symposium on (pp. 1-6). IEEE. Ehrgott, M. e Gandibleux, X. (2002). Multi Objective Combinatorial Optimization, in: M. Ehrgott, X. Gandibleux (Eds.), Multiple Criteria Optimization: State of the Art Annotated Bibliographic Surveys. Vol. 52, Kluwer s International Series in Operations Research and Management Science. Ehrgott, M. (2006). A discussion of scalarization techniques for multiple objective integer programming. Annals of Operations Research, 147(1), Gálvez, J. J. e Ruiz, P. M. (2013). Efficient Rate Allocation, Routing and Channel Assignment in Wireless Mesh Networks Suportting Dynamic Traffic Flows. Ad Hoc Networks, vol. 11 (6): Hansen, P. (1980). Bicriterion path problems. In: Multiple Criteria Decision Making: Theory and Applications, Lectures Notes in Economics and Mathematical Systems, 177, G. Fandel and T. Gal (eds), Springer, Heidelberg, Klein, D., Hannan, E. (1982). An algorithm for the multiple objective integer linear programming problem. European Journal of Operational Research, 9(4),
11 Martins, E.Q.V. (1984). On a special class of bicriterion path problems. European Journal of Operational Research 17: Pinto, L. L., Bornstein, C. T. e Maculan, N. (2009). The criterion shorthest path problem with at least two bottleneck objective functions. European Journal of Operational Research; 198: Pinto, L. L. e Pascoal, M. M. B. (2010). On algorithms for the tricriteria shortest path problem with two bottleneck objective functions. Computers & Research, 37: Ulungu, E. L. e Teghem, J. (1994). Multi-objective combinatorial optimization problems: A survey. Journal of Multi-Criteria Decision Analysis, 3 (2):
UM PROBLEMA DE CAMINHO TRI-OBJETIVO
UM ROBLEMA DE CAMINHO TRI-OBJETIVO Leizer de Lima into ESC / COE / UFRJ Cidade Universitária, Rio de Janeiro, RJ, Brasil leizer@cosufrjbr Cláudio Thomás Bornein ESC / COE / UFRJ Cidade Universitária, Rio
Teoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Otimização Vetorial Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Introdução
Teoria da Decisão. Otimização Vetorial. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Introdução Sumário 1 Introdução
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS
COMPARAÇÃO ENTRE FROTA HOMOGÊNEA E HETEROGÊNEA EM PROBLEMAS DE ROTEAMENTO DE VEÍCULOS CAPACITADOS Rosiana da Silva Lopes Danilo César Rodrigues Azevedo rosianalopes16@gmail.com danilo.azevedo@ufpi.edu.br.com
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?
3 Extensões dos modelos matemáticos
3 Extensões dos modelos matemáticos Os modelos matemáticos definidos por (2-1) (2-6) e (2-7) (2-13), propostos por Achuthan e Caccetta e apresentados no Capítulo 2, são reforçados neste trabalho através
INFORMAÇÕES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO MULTIOBJETIVO
INFORMAÇÕES TRADE-OFF EM PROBLEMAS DE OTIMIZAÇÃO MULTIOBJETIVO Jesus Ossian da Cunha Silva, Programa de Engenharia de Sistemas e Computação-PESC, COPPE, UFRJ 21941-972, Rio de Janeiro, RJ E-mail: jossian@cos.ufrj.br.
Otimização Combinatória - Parte 4
Graduação em Matemática Industrial Otimização Combinatória - Parte 4 Prof. Thiago Alves de Queiroz Departamento de Matemática - CAC/UFG 2/2014 Thiago Queiroz (DM) Parte 4 2/2014 1 / 33 Complexidade Computacional
Pedro Tiago Barbosa do Couto. Resolução de problemas de transporte rodoviário de cargas utilizando programação inteira DISSERTAÇÃO DE MESTRADO
Pedro Tiago Barbosa do Couto Resolução de problemas de transporte rodoviário de cargas utilizando programação inteira DISSERTAÇÃO DE MESTRADO DEPARTAMENTO DE ENGENHARIA ELÉTRICA Programa de Pós graduação
Programa de Pós-Graduação em Modelagem e Otimização, Regional Catalão / UFG
15 CAPÍTULO ABORDAGENS ROBUSTAS PARA PROBLEMAS DE OTIMIZAÇÃO LINEAR COM INCERTEZA NOS DADOS Marques, Raina Ribeiro 1 *; Queiroz, Thiago Alves de 2 ; 1 Programa de Pós-Graduação em Modelagem e Otimização,
ANÁLISE DE ALGORITMOS (INF 1721)
PUC-Rio Departamento de Informática Prof. Marcus Vinicius S. Poggi de Aragão (3WA) Horário: 2as. e 4as. 9-11hs (3WA) 3 de dezembro de 2016 Período: 2016.2 ANÁLISE DE ALGORITMOS (INF 1721) 3 a Lista de
Aula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo
Aula 20: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464 / PCC174 Departamento de Computação - UFOP Breve Revisão Programação Linear vs Programação Inteira Modelagem
1-1 PESQUISA OPERACIONAL INTRODUÇÃO
1-1 PESQUISA OPERACIONAL INTRODUÇÃO Regra do Jogo 1-2 Provas MAN ADM 1 a Prova: 8 ou 10 de maio 2 a Prova: 12 ou14 de junho Substitutiva: 18 ou 21 de junho Média P = Média das Provas T = Média dos Testes
Geração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita
Geração de Colunas Aplicada a uma Decomposição do Problema de Programação Quadrática Binária Irrestrita Geraldo R. Mauri Universidade Federal do Espírito Santo - UFES mauri@cca.ufes.br Luiz A. N. Lorena
Teoria da Decisão. Introdução. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Introdução Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas Apresentação Sumário
Introdução à Teoria do Grafos Notas de aula. Socorro Rangel últimas atualizações: (2009), (2012)
Campus de São José do Rio Preto Introdução à Teoria do Grafos Notas de aula Socorro Rangel (socorro@ibilce.unesp.br) últimas atualizações: (2009), (2012) Instituto de Biociências Letras e Ciências Exatas
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,
Formulações Multifluxo de Problemas de Otimização Combinatória
Formulações Multifluxo de Problemas de Otimização Combinatória Henrique Pacca L. Luna Sociedade Brasileira de Pesquisa Operacional Escuela Latino Americana de Verano de Investigacion Operativa - XII ELAVIO
Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
5 CAPÍTULO BUSCA EM VIZINHANÇA VARIÁVEL PARA LOCALIZAÇÃO E ROTEAMENTO Silva, Lorrany Cristina da 1 *; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional
6 Experimentos realizados
6 Experimentos realizados 6.1 Considerações iniciais Resolvemos os modelos de PLIM utilizando o resolvedor CPLEX, baseado no método de branch-and-bound. Resolvemos as relaxações lineares dos mesmos modelos
PCC173 - Otimização em Redes
PCC173 - Otimização em Redes Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 31 de maio de 2017 Marco Antonio M. Carvalho
ANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP
ANÁLISE COMPARATIVA DE HEURÍSTICAS PARA MINIMIZAÇÃO DE ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM TEMPOS DE SETUP John Lennon Damas David UFG/Campus Catalão johnlennon_13@yahoo.com.br Hélio Yochihiro Fuchigami
Um algoritmo pseudo-periférico genérico para a heurística de Snay
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um algoritmo pseudo-periférico genérico para a heurística de Snay
Métodos Exatos para PI - Parte 1: Branch-and-Bound
Introdução à Otimização Combinatória Métodos Exatos para PI - Parte 1: Professora: Rosiane de Freitas (rosiane@icomp.ufam.edu.br) Bruno Raphael Cardoso Dias Prof. Estágio em Docência (bruno.dias@icomp.ufam.edu.br)
Aula 19: Lifting e matrizes ideais
Aula 19: Lifting e matrizes ideais Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Branch-and-bound Formulações
Teoria dos Grafos. Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada.
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br Grafos e Algoritmos Preparado a partir do texto: Rangel, Socorro.
Unidade de Matemática e Tecnologia, Universidade Federal de Goiás Regional Catalão
1 CAPÍTULO O MÉTODO SIMULATED ANNEALING APLICADO EM LOCALIZAÇÃO E ROTEAMENTO Ferreira, Kamyla Maria 1 * ; Queiroz, Thiago Alves de 2 1 Unidade de Matemática e Tecnologia, Universidade Federal de Goiás
Um método exato de busca para se calcular o multiplicador lagrangeana/surrogate (lagsur) para o Problema Generalizado de Atribuição
Um método exato de busca para se calcular o multiplicador lagrangeana/surrogate (lagsur) para o Problema Generalizado de Atribuição Marcelo Gonçalves Narciso Embrapa Informática Agropecuária Luiz Antônio
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES
DESENVOLVIMENTO DE UM ALGORITMO PARALELO PARA APLICAÇÃO EM CLUSTER DE COMPUTADORES João Ricardo Kohler Abramoski (PAIC/FUNDAÇÃO ARAUCÁRIA), Sandra Mara Guse Scós Venske (Orientadora), e-mail: ssvenske@unicentro.br
UM ESTUDO COMPUTACIONAL DE MODELOS MATEMÁTICOS PARA O PROJETO DE REDES DE TELECOMUNICAÇÕES COM TOPOLOGIA EM ANEL
UM ESTUDO COMPUTACIONAL DE MODELOS MATEMÁTICOS PARA O PROJETO DE REDES DE TELECOMUNICAÇÕES COM TOPOLOGIA EM ANEL Elder Magalhães Macambira Universidade Federal da Paraíba Departamento de Estatística Cidade
GRASP para o Problema do Caixeiro Viajante com Limite de Calado
GRASP para o Problema do Caixeiro Viajante com Limite de Calado Victor Mouffron Carvalho Machado, Luiz Satoru Ochi Universidade Federal Fluminense Rua Passo da Pátria, 156, São Domingos-Niterói - RJ E-mail:
Formulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos
Formulação de Programação Linear Inteira para o Problema de Particionamento em Conjuntos Convexos Teobaldo L. Bulhões Júnior a a Instituto de Computação, Universidade Federal Fluminense, Niterói, RJ, Brazil
Teoria dos Grafos AULA 1
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 AULA 1 Introdução,
Os Problemas de Optimização Combinatória e a Teoria da Complexidade
Metodologias de Apoio à Decisão Os Problemas de Optimização Combinatória e a Teoria da Complexidade Programação Inteira Mista Programação Linear Programação Binária Mista Programação Inteira Slide Fluxos
Método Simplex dual. Marina Andretta ICMC-USP. 24 de outubro de 2016
Método Simplex dual Marina Andretta ICMC-USP 24 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
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
Lista de Exercícios Programação Inteira. x 2 0 e inteiros.
Lista de Exercícios Programação Inteira ) Resolva os problemas a seguir usando o método B&B a) Max z = 5 x + y s.a x + y x + y 5 b) Max z = x + y s.a x + y 0 x + y 5 c) Max z = x + y s.a x + 9y 6 8 x +
Heurísticas Relax-and-Fix e Fix-and-Optimize para o problema de dimensionamento de lotes com preparações carryover e crossover
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Heurísticas Relax-and-Fix e Fix-and-Optimize para o
Encaminhamento Multiobjetivo em Redes MPLS Abordagem exata de resolução de problema com otimização global da rede
Encaminhamento Multiobjetivo em Redes MPLS Abordagem exata de resolução de problema com otimização global da rede Rita Girão-Silva a,b, José Craveirinha b, Teresa Gomes a,b, Lúcia Martins a,b, João Clímaco
1_1 1_2 2_1 1_ _ _ Fonte: Autor
75 7. Resultados Os resultados aqui apresentados utilizam o modelo proposto na Seção 6.2, resolvido através do software de otimização AIMMS para os problemas com Datas prometidas. Já para o problema sem
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
Prática 00. Total 04. Pré-requisitos. No. De Créditos 04
Disciplina Otimização Combinatória Departamento Carga Horária Semanal MINISTÉRIO DA EDUCAÇÃO E CULTURA PRÓ-REITORIA DE GRADUAÇÃO 1 PROGRAMA DE DISCIPLINA Departamento de Computação Teórica Pré-requisitos
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
Método geração de colunas e heurísticas para o Problema da Mochila Compartimentada. Resumo
Método geração de colunas e heurísticas para o Problema da Mochila Compartimentada Aline Aparecida de Souza Leão Maristela Oliveira dos Santos Marcos Nereu Arenales Universidade de São Paulo-USP Av Trabalhador
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016
NOTAS DE AULA 1 METAHEURÍSTICA 13/10/2016 Metaheurística: São técnicas de soluções que gerenciam uma interação entre técnicas de busca local e as estratégias de nível superior para criar um processo de
INFORMAÇÕES TRADEOFF EM PROBLEMAS MULTIOBJETIVOS. 1. Introdução Problema 1.1. [MOP]Denominamos Problema de Otimização Multiojetivo
INFORMAÇÕES TRADEOFF EM PROBLEMAS MULTIOBJETIVOS JESUS OSSIAN DA CUNHA SILVA 1 AND PAULO ROBERTO OLIVEIRA 2 1 Programa de Engenharia de Sistema e Computação, COPPE-UFRJ, CP. 68.511, Rio de Janeiro-RJ,
Gabriel Coutinho DCC035 - Pesquisa Operacional Lista 6
Lista 6 Exercício. O objetivo deste exercício é modelar o problema de emparelhamento em um grafo bipartido como um problema de fluxo, e verificar que o Teorema de Konig é essencialmente o Teorema de Fluxo
UMA HEURÍSTICA PARA O PROBLEMA DE REDUÇÃO DE CICLOS DE SERRA
UMA HEURÍSTICA PARA O PROBLEMA DE REDUÇÃO DE CICLOS DE SERRA Rodolfo Ranck Junior Horacio Hideki Yanasse José Carlos Becceneri Instituto Nacional de Pesquisas Espaciais INPE Caixa Postal 515 12.227-010
O Problema do Caminho Mínimo: Algoritmo Label Setting Prof. Dr. Daniel Caetano
Economia e Planejamento de Sistemas de Transportes 1 O Problema do Caminho Mínimo: Algoritmo Label Setting Prof. Dr. Daniel Caetano Objetivo: Apresentar o algoritmo Label Setting para a resolução de problemas
Uma Heurística GRASP Híbrida para um Problema de Otimização Combinatória Multiobjetivo
Uma Heurística GRASP Híbrida para um Problema de Otimização Combinatória Multiobetivo Dalessandro Soares Vianna (UCAM-Campos) dalessandro@ucam-campos.br Marcilene de Fátima Dianin Vianna (UCAM-Campos)
Algoritmos Branch e Bound para o problema de sequenciamento em uma única máquina
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Algoritmos Branch e Bound para o problema de sequenciamento em uma única máquina Carlos E. Ferreira Instituto de Matemática e Estatística, IME, USP 05508-090,
UM ESTUDO SOBRE O PROBLEMA DA ÁRVORE GERADORA MÍNIMA COM ESTRUTURA DO GRAFO FUZZY
UM ESTUDO SOBE O POBLEMA DA ÁVOE GEADOA MÍNIMA COM ESTUTUA DO GAFO FUZZY Márcia Tomie Taahashi Universidade Federal de Uberlândia FAMAT/UFU Av. João Naves de Ávila, 22, Campus Sta. Mônica Bloco F, sala8,
BCC204 - Teoria dos Grafos
BCC204 - Teoria dos Grafos Marco Antonio M. Carvalho (baseado nas notas de aula do prof. Haroldo Gambini Santos) Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal
Um algoritmo sem derivadas para otimização restrita
Um algoritmo sem derivadas para otimização restrita Paulo Domingos Conejo Elizabeth Wegner Karas UNIOESTE - Dep. Matemática UFPR - Dep. Matemática 85819-110, Cascavel, PR 81531-990, Curitiba, PR pconejo33@gmail.com
Pontos extremos, vértices e soluções básicas viáveis
Pontos extremos, vértices e soluções básicas viáveis Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta
Preliminares. Profa. Sheila Morais de Almeida. agosto
Preliminares Profa. Sheila Morais de Almeida DAINF-UTFPR-PG agosto - 2016 Algoritmos Definição - Skiena Algoritmo é a ideia por trás dos programas de computador. É aquilo que permanece igual se o programa
Método Simplex. Marina Andretta ICMC-USP. 19 de outubro de 2016
Método Simplex Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização linear
DEPARTAMENTO DE ENGENHARIA MECÂNICA
DEPARTAMENTO DE ENGENHARIA MECÂNICA Otimização: Algoritmos e Aplicações na Engenharia Mecânica ENG1786 & MEC2403 Ivan Menezes 2018-2 1 EMENTA 1. Introdução 1.1 Definições Básicas 1.2 Classificação dos
PESQUISA OPERACIONAL Introdução. Professor Volmir Wilhelm Professora Mariana Kleina
PESQUISA OPERACIONAL Introdução Professor Volmir Wilhelm Professora Mariana Kleina PESQUISA OPERACIONAL Ementa Revisão de Álgebra Linear. Modelos de Programação Linear. O Método Simplex. O Problema do
PCC104 - Projeto e Análise de Algoritmos
PCC104 - Projeto e Análise de Algoritmos Marco Antonio M. Carvalho Departamento de Computação Instituto de Ciências Exatas e Biológicas Universidade Federal de Ouro Preto 1 de novembro de 2018 Marco Antonio
Projeto e Análise de Algoritmos
Projeto e Algoritmos Pontifícia Universidade Católica de Minas Gerais harison@pucpcaldas.br 26 de Maio de 2017 Sumário A complexidade no desempenho de Quando utilizamos uma máquina boa, ela tende a ter
Pesquisa Operacional
Faculdade de Engenharia - Campus de Guaratinguetá Pesquisa Operacional Livro: Introdução à Pesquisa Operacional Capítulo 3 - Teoria dos Grafos Fernando Marins fmarins@feg.unesp.br Departamento de Produção
Metodologias de escalarizações para o problema de rotação de culturas biobjetivo
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Metodologias de escalarizações para o problema de rotação
Teoria da Decisão. Modelagem de Preferência. Prof. Lucas S. Batista. lusoba
Teoria da Decisão Modelagem de Preferência Prof. Lucas S. Batista lusoba@ufmg.br www.ppgee.ufmg.br/ lusoba Universidade Federal de Minas Gerais Escola de Engenharia Graduação em Engenharia de Sistemas
Programação Linear Aplicada em Redes de Telecomunicações. Prof. Rodrigo de Souza Couto
Programação Linear Aplicada em Redes de Telecomunicações Prof. Rodrigo de Souza Couto Informações Gerais Prof. Rodrigo de Souza Couto E-mail: rodsouzacouto@ieee.org Página da disciplina: http://www.lee.eng.uerj.br/~rodrigo/proglin
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
Teoria dos Grafos AULA 1
Teoria dos Grafos Valeriano A. de Oliveira Socorro Rangel Departamento de Matemática Aplicada antunes@ibilce.unesp.br, socorro@ibilce.unesp.br AULA 1 Introdução, Conceitos Iniciais, Isomorfismo Preparado
Cones e raios extremos
Cones e raios extremos Marina Andretta ICMC-USP 7 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Problema do Arranjo Linear Mínimo
Problema do Arranjo Linear Mínimo Rafael Castro de Andrade Departamento de Estatística e Matemática Aplicada - Universidade Federal do Ceará Campus do Pici, Bloco 910. CEP 0.455-900 - Fortaleza, Ceará
Modelos e Algoritmos para o Problema de Atribuio de Capacidades e Roteamento de Fluxos em Redes de Comunicao p.1/42
Modelos e Algoritmos para o Problema de Atribuição de Capacidades e Roteamento de Fluxos em Redes de Comunicação Defesa de Tese de Doutorado Ricardo Poley Martins Ferreira DCC - UFMG Modelos e Algoritmos
Aula 13: Branch-and-bound
Aula 13: Branch-and-bound Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Modelagem em PI / Problemas Combinatórios
Algoritmos Combinatórios: Introdução
lucia@site.uottawa.ca UFSC, Fevereiro, 2010 Estruturas e Problemas Combinatórios Introdução a Algoritmos Combinatórios O que são: Estruturas Combinatórias? Algoritmos Combinatórios? Problemas Combinatórios?
Algoritmo Evolutivo para o Problema de Corte de Estoque Unidimensional com Redução do Número de Padrões de Corte
Algoritmo Evolutivo para o Problema de Corte de Estoque Unidimensional com Redução do Número de Padrões de Corte Henrique A. Kobersztajn 1, Kelly C. Poldi 2, Instituto de Ciência e Tecnologia, Unifesp
Algoritmo Branch-and-Price para o Problema de Corte de Estoque Não-Guilhotinado
Algoritmo Branch-and-Price para o Problema de Corte de Estoque Não-Guilhotinado Vinícius Loti de Lima e Thiago Alves de Queiroz Unidade de Matemática e Tecnologia - UFG/Regional Catalão, Av. Dr. Lamartine
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,
Algoritmos de Caminho Mínimo Parte 1
Algoritmos de Caminho Mínimo Parte 1 A journey of a thousand miles starts with a single step and if that step is the right step, it becomes the last step. Index 1. Introduction 2. Applications 3. Tree
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
Programação Linear. Dualidade
Programação Linear Dualidade Dualidade Já vimos em sala que para cada PPL existe um outro PL chamado dual, que consiste em modelar um problema que utiliza os mesmos dados que o original, mas alterando
Resolução do problema do caixeiro viajante assimétrico (e uma variante) através da relaxação Lagrangeana
Resolução do problema do caixeiro viajante assimétrico (e uma variante) através da relaxação Ana Maria A.C. Rocha e João Luís C. Soares Departamento de Produção e Sistemas Escola de Engenharia Universidade
Problema do Caminho Mínimo
Departamento de Engenharia de Produção UFPR 63 Problema do Caminho Mínimo O problema do caminho mínimo ou caminho mais curto, shortest path problem, consiste em encontrar o melhor caminho entre dois nós.
MÉTODOS EXATO E HEURÍSTICO PARA O PROBLEMA DE LOCALIZAÇÃO DAS P-MEDIANAS COM DOIS OBJETIVOS
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. MÉTODOS EXATO E HEURÍSTICO PARA O PROBLEMA DE LOCALIZAÇÃO DAS P-MEDIANAS COM DOIS OBJETIVOS Paula Mariana dos Santos (UFV) paula-marianna@hotmail.com JOSE
Um Estudo da Aplicação de Heurísticas Construtivas e de Melhoramento para um Problema de PRV
Um Estudo da Aplicação de Heurísticas Construtivas e de Melhoramento para um Problema de PRV Eliseu Celestino Schopf 1, Claudio Schepke 1, Marcus Lucas da Silva 1, Pablo Furlan da Silva 1 1 Centro de Eletrônica
Unemat Campus de Sinop Curso de Engenharia Elétrica 8º semestre. Disciplina: Introdução à Otimização Linear de Sistemas
Unemat Campus de Sinop Curso de Engenharia Elétrica 8º semestre Disciplina: Introdução à Otimização Linear de Sistemas Slides: Introdução à Pesquisa Operacional - para situar a otimização linear Professora
Rio de Janeiro- Brasil, 05 e 06 de agosto de 2009. ISSN 2175-6295 SPOLM 2009
ISSN 175-695 Rio de Janeiro- Brasil, 05 e 06 de agosto de 009. SPOLM 009 034/009 - HEURÍSTICA GRASP BI-OBJETIVO PARA O PROBLEMA DAS P-MEDIANAS NÃO CAPACITADO Paula Mariana dos Santos Departamento de Engenharia
UM MÉTODO HEURÍSTICO APLICADO AO PROBLEMA DE PROGRAMAÇÃO DE SONDAS DE PRODUÇÃO. Miguel Angel Fernández Pérez
UM MÉTODO HEURÍSTICO APLICADO AO PROBLEMA DE PROGRAMAÇÃO DE SONDAS DE PRODUÇÃO Miguel Angel Fernández Pérez miguelfp177@yahoo.com Fernanda Maria Pereira Raupp fraupp@puc-rio.br Departamento de Engenharia
UM ALGORITMO BRANCH-AND-CUT PARA O PROBLEMA DO CICLO DOMINANTE
UM ALGORITMO BRANCH-AND-CUT PARA O PROBLEMA DO CICLO DOMINANTE Lucas Porto Maziero Instituto de Computação Universidade Estadual de Campinas (UNICAMP) Campinas - SP - Brasil lucasporto1992@gmail.com Fábio
Algoritmos e Estruturas de Dados II
Algoritmos e Estruturas de Dados II Grafos VI: Grafos Ponderados & Caminhos Mínimos (Bellman-Ford) Ricardo J. G. B. Campello Parte deste material é baseado em adaptações e extensões de slides disponíveis
SIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS
SIMULATED ANNEALING APLICADO AO PROBLEMA DE ORDENAÇÃO EM LINHAS PARALAELAS Bernardo De Polli Cellin Mestrando em Informática - Universidade Federal do Espírito Santo Av. Fernando Ferrari, Nº 514, CEP:
Investigação Operacional em Problemas de Telecomunicações
Investigação Operacional em Problemas de Telecomunicações Amaro Fernandes de Sousa Universidade de Aveiro (asou@ua.pt) Instituto de Telecomunicações (asou@av.it.pt) Semana da Investigação Operacional Universidade
Algoritmos Exatos 3.1. Relaxação Lagrangeana
3 Algoritmos Exatos Nesse capítulo, apresenta-se alguns algoritmos exatos para o CVRP que são baseados em diferentes técnicas e formulações para a obtenção de limites inferiores para a solução ótima do
Análise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível
Análise da Performance de um Modelo de Escalonamento Baseado em Pesquisa Tabu Aplicado em um Sistema de Manufatura Flexível Antonio G. RODRIGUES, Leandro T. HOFFMANN e Arthur T. GÓMEZ Universidade do Vale
PERFORMANCE DE DOIS SOLVERS NA RESOLUÇÃO DO PROBLEMA DE TRANSPORTE COM CUSTO LINEAR POR PARTES
PERFORMANCE DE DOIS SOLVERS NA RESOLUÇÃO DO PROBLEMA DE TRANSPORTE COM CUSTO LINEAR POR PARTES Carise Elisane Schmidt Universidade Federal do Paraná - UFPR Centro Politécnico, Caixa Postal 19.011, CEP:
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START
RESOLUÇÃO DO PROBLEMA DAS P-MEDIANAS POR MEIO DE ALGORITMOS BASEADOS EM GRASP, ILS E MULTI-START Gustavo Marques Zeferino, Flaviana M. de S. Amorim, Marcone Jamilson Freitas Souza, Moacir F. de F. Filho
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos
Otimização de Sistemas Hidrotérmicos por Enxame de Partículas: Uma Abordagem Orientada a Objetos Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Lauro Ramon GOMIDES 1, Gelson da Cruz JUNIOR 2, Cassio
UM MODELO DE PROGRAMAÇÃO INTEIRA MISTA PARA A PROGRAMAÇÃO DA PRODUÇÃO EM FLOWSHOP HÍBRIDO COM BUFFERS LIMITADOS
UM MODELO DE PROGRAMAÇÃO INTEIRA MISTA PARA A PROGRAMAÇÃO DA PRODUÇÃO EM FLOWSHOP HÍBRIDO COM BUFFERS LIMITADOS Pedro Luis Miranda Lugo Universidade Federal de São Carlos Departamento de Engenharia de
RESOLUÇÃO DO PROBLEMA DE ALOCAÇÃO E ROTEAMENTO DE OPERADORES EM CÉLULAS DE MANUFATURA: ABORDAGEM EXATA E HEURÍSTICA RESUMO
RESOLUÇÃO DO PROBLEMA DE ALOCAÇÃO E ROTEAMENTO DE OPERADORES EM CÉLULAS DE MANUFATURA: ABORDAGEM EXATA E HEURÍSTICA Victor Mouffron Carvalho Machado Universidade Federal Fluminense - UFF Rua Passo da Pátria,
É interessante comparar algoritmos para valores grandes de n. Para valores pequenos de n, mesmo um algoritmo ineficiente não custa muito para ser
É interessante comparar algoritmos para valores grandes de n. Para valores pequenos de n, mesmo um algoritmo ineficiente não custa muito para ser executado 1 Fazendo estimativas e simplificações... O número
Programação Linear/Inteira
Unidade de Matemática e Tecnologia - RC/UFG Programação Linear/Inteira Prof. Thiago Alves de Queiroz Aula 6 Thiago Queiroz (IMTec) Aula 6 Aula 6 1 / 45 Otimização Discreta A característica de otimização
Quantidade de memória necessária
Tempo de processamento Um algoritmo que realiza uma tarefa em 10 horas é melhor que outro que realiza em 10 dias Quantidade de memória necessária Um algoritmo que usa 1MB de memória RAM é melhor que outro