Renato S. P. Coelho, Dra. Leliane Nunes de Barros
|
|
- João Victor Peixoto Penha
- 8 Há anos
- Visualizações:
Transcrição
1 USO DO ERRO DE BELLMAN PARA ACELERAR A CONVERGÊNCIA DA PROGRAMAÇÃO DINÂMICA EM TEMPO REAL Renato S. P. Coelho, Dra. Leliane Nunes de Barros Pró Reitoria de Graduação USP Rua da Reitoria, Favo 22 - Cidade Universitária São Paulo SP Brasil Instituto de Matemática e Estatistica USP Rua do Matão, - Cidade Universitária São Paulo SP Brasil s: fena@cecm.usp.br, leliane@ime.usp.br Abstract The Labeled Real-Time Dynamic Programming (LRTDP) is one of the most known and most efficient algorithms used to solve Shortest Stochastic Path (SSP) problems. This paper reviews the SSP model and the LRTDP algorithm and shows a way to improve LRTDP s state selection. This new selection scheme speeds up LRTDP by favoring states on which the algorithm has few information. Keywords SSP, LRTDP, Bellman Error, Probabilistic Planning, Experimental Resumo O algoritmo Labeled Real-Time Dynamic Programming (LRTDP) é um dos algoritmos mais conhecidos e eficientes para a resolução de problemas de planejamento probabilístico em Inteligência Artificial modelados como Caminho estocástico mínimo. Após uma revisão do modelo e do algoritmo será introduzida uma nova técnica de escolha de estados que acelera o LRTDP ao privilegiar estados sobre os quais o algoritmo tem poucas informações. Keywords SSP, LRTDP, Erro de Bellman, Planejamento probabilístico, Experimental 1 Introdução Um problema de planejamento em Inteligência Artificial (IA) envolve a construção de um agente deve ser capaz de escolher um conjunto de ações que o leve a realizar um determinado objetivo (Russel e Norvig, 1995). Neste trabalho serão considerados problemas em que as ações do agente possuem efeitos probabilísticos e o objetivo é permitir que o agente, a partir de um estado inicial, alcance um estado do mundo que satisfaça uma dada propriedade, com o menor custo esperado. O modelo chamado Caminho estocástico mínimo (Shortest Stochastic Path - SSP) formaliza este tipo de problema, bem como induz a criação de algoritmos para a sua resolução (Barto et al., 1995; Geffner e Bonet, 2003). Um dos algoritmos mais conhecidos para a resolução de SSPs é o Labeled Real-Time Dynamic Programming (LRTDP) (Geffner e Bonet, 2003), que utiliza programação dinâmica assíncrona para avaliar os estados e escolher uma política ótima, ou seja, uma política que minimize o custo esperado dos caminhos entre o estado inicial e os estados finais (Barto et al., 1995). Para acelerar o processo de convergência para a política ótima, existem propostas para aprimorar o LRTDP avaliando quanta informação se tem sobre cada estado e privilegiando os estados sobre os quais se tem pouca informação, e.g. Bounded Real-Time Dynamic Programming (BRTDP) (McMahan et al., 2005) e Focused Real-Time Dynamic Programming (FRTDP) (Smith e Simmons, 2006). Entretanto, estas propostas são baseadas no cálculo de um limitante superior para o valor ótimo dos estados e este cálculo pode envolver um alto custo computacional (McMahan et al., 2005). Uma outra família de algoritmos que usa programação dinâmica assíncrona para resolver SSPs é a família do Prioritized Sweeping (Moore e Atkenson, 1993). Estes algoritmos utilizam o gradiente do valor dos estados para priorizar os estados que devem ser atualizados. Neste artigo será proposto um novo algoritmo (Gradient Oriented Labeled Real-Time Dynamic Programming - GRTDP) que aprimora o LRTDP combinando o com a idéia de privilegiar estados baseado no gradiente de sua função valor. A vantagem deste novo algoritmo é utilizar o gradiente do valor dos estados sem a necessidade de muitos cálculos adicionais. Esta maneira de escolher quais estados terão seus valores atualizado deve tornar as atualizações mais eficientes e, consequentemente, diminuir o número de atualizações e o tempo necessário para encontrar a política ótima em um SSP quando comparado com o LRTDP. Este artigo está organizado da seguinte maneira: na Seção 2 vamos descrever o modelo em que estamos interessados para o planejamento em IA (SSP) e alguns dos algoritmos usados para a sua resolução, na Seção 3 vamos propor um novo algoritmo para a resolução de SSPs que aprimora o LRTDP utilizando o gradiente do valor dos estados para escolher quais estados devem ser atualizados e na Seção 4 vamos comparar o novo algoritmo com o LRTDP em termos de eficiência e comportamento em qualquer instante.
2 2 Revisão Nesta seção, o modelo Caminho estocástico mínimo (SSP) será formalmente descrito, bem como o algoritmo Labeled Real-Time Dynamic Programming, que resolve SSPs. Também será feita uma breve descrição do algoritmo Bounded Real- Time Dynamic Programming e dos algoritmos da família do Prioritized Sweeping. 2.1 SSP - Shortest Stochastic Path O modelo SSP representa uma subclasse dos problemas que podem ser descritos como MDPs (Markov Decision Processes) (Puterman, 1994; Boutilier et al., 1999). Esta subclasse é particularmente interessante pela sua capacidade natural de modelar problemas de planejamento probabilístico. Além disso, permite um ganho computacional, já que uma solução para esses problemas só precisa estar definida para os estados relevantes. Ou seja, estados que podem ser alcançados a partir do estado inicial quando se utiliza a política gerada pelo agente. Os SSPs consideram que o tempo avança em intervalos discretos e que, em cada instante de tempo o agente deve realizar uma ação. Formalmente, o modelo pode ser descrito através das seguintes características (Bertsekas, 1995; Geffner e Bonet, 2003): Um conjunto discreto e finito de estados, S. Considera-se que os estados satisfazem a hipótese de Markov, isto é, cada estado contém toda a informação necessária para predizer os efeitos de todas as ações e eventos, independentemente de outras informações sobre o histórico do sistema (estados visitados e ações executadas no passado). Um estado inicial s 0 S 1. Um conjunto não vazio de estados meta,s G S. Um conjunto de ações A e subconjuntos A(s) A, para cada s S. Uma distribuição de probabilidades P ( s, a) sobre S para cada s S e a A(s), que descreve os efeitos das ações. Um custo não negativo, c(s, a) > 0 associado a cada par estado-ação. Os estados são totalmente observáveis. Dado este problema, o objetivo de um agente é criar uma política que o leve do estado inicial até algum estado final com o menor custo esperado, 1 O modelo e todos os algoritmos que aparecem neste artigo podem facilmente ser expandidos considerando-se um conjunto S 0 de estados iniciais. ou seja, com a menor média ponderada dos custos dos caminhos. Considerando este critério o valor de uma política ótima para um estado s, ou valor ótimo de um estado, pode ser dado por (Bellman, 1957): V (s) = min (c(a, s) + P (s s, a) V (s )) a A(s) s S (1) Como veremos a seguir, esta equação é a base para os algoritmo de programação dinâmica usados em planejamento probabilístico. 2.2 O algoritmo LRTDP O Labeled Real-Time Dynamic Programming (LRTDP) (Geffner e Bonet, 2003) faz simulações dos caminhos gerados a partir da execução da política gulosa enquanto a estimativa do valor dos estados nestes caminhos é melhorada. A idéia é parecida com um processo de treinamento. Isto é feito até que o valor ótimo (único ponto fixo da Equação 1 (Givan et al., 1997)) seja aproximado de maneira satisfatória. Para facilitar a computação as estimativas dos valores dos estados são guardadas em uma tabela, de acordo com os preceitos da programação dinâmica. Estas estimativas são sempre limitantes inferiores do valor ótimo dos estados. O algoritmo LRTDP é composto por duas rotinas principais que se alternam. A primeira é responsável por uma atualização assíncrona dos valores dos estados, enquanto a segunda é responsável por testar se o valor dos estados já está aproximado de uma maneira satisfatória. A primeira rotina (LRT DP T rial(), Algoritmo 1) parte do estado s 0 e simula a execução de uma política gulosa ao mesmo tempo em que calcula esta política, ou seja, para cada estado s alcançado, ela escolhe de maneira gulosa uma ação a de acordo com os valores armazenados para os estados. O próximo estado a ser atualizado será escolhido usando-se a distribuição de probabilidades P ( s, a), ou seja, se P (s s, a) = 0, 7 a probabilidade de que o estado s seja o próximo estado visitado pelo algoritmo é 0, 7. Com isso, a rotina privilegia os estados que influenciam mais na função valor. Quando o algoritmo encontra um estado pertencente a S G ou um estado já resolvido, isto é, um estado cujo valor já está aproximado de maneira satisfatória, ele chama a segunda rotina para cada um dos estados que foi visitado naquela simulação (por uma questão de eficiência, a rotina é chamada primeiro para os últimos estados visitados). A segunda rotina (checksolved(), Algoritmo 2) é responsável por testar se um estado s já está resolvido, isto é, se o seu valor já está aproximado de uma maneira satisfatória. Para isto, ela realiza uma busca em profundidade em todos os esta-
3 dos acessíveis a partir do estado s (utilizando-se a política gulosa) até os estados meta ou os estados que já estão marcados como resolvidos. Nesta busca, o valor de cada um dos estados é calculado e comparado com o valor armazenado para aquele estado. A diferença entre estes dois valores é chamada de erro de Bellman. Se, para algum estado visitado na busca em profundidade o erro de Bellman for maior do que um ɛ, dizemos que o estado s ainda não foi resolvido 2. Se durante a busca não for encontrado nenhum estado que tenha variado muito seu valor, o estado s e todos os estados alcançáveis a partir dele utilizando-se a política gulosa são marcados como resolvidos. É importante notar que não é possível criar uma fórmula fechada que relacione o valor de ɛ com a distância entre o valor final do estado marcado como resolvido e seu valor ótimo (Geffner e Bonet, 2003). Esta rotina é bastante importante para o algoritmo, pois ela é responsável por fazer com que os estados que têm pouca probabilidade de serem alcançados de acordo com a primeira rotina passem a ser visitados com mais frequência. A rotina LRT DP T rial() é chamada até que o estado inicial seja marcado como resolvido. Os Algoritmos 1 e 2 descrevem estas rotinas. Algoritmo 1: LRTDPTrial Entrada: s 0, epsilon. 1 s = s 0 2 visitado = pilhav azia 3 enquanto s.marcado = falso faça 4 visitado.push(s) 5 se s.meta = verdadeiro então break 6 a = s.acaogulosa() 7 s.update() 8 s = s.proximoestado() 9 enquanto visitado pilhav azia faça s = visitado.pop() se s.checksolved() = f also então break 2.3 BRTDP O algoritmo Bounded Real-Time Dynamic Programming (BRTDP) (McMahan et al., 2005) é similar ao LRTDP. A diferença é que o BRTDP também armazena uma estimativa que é um limitante superior do valor dos estados (V U ). Junto com a estimativa de limite inferior do LRTDP (V L ) o BRTDP é capaz de: (i) direcionar a escolha de estados para que o algoritmo priorize estados sobre os quais tem pouca informação, (ii) testar se um estado já convergiu simplesmente calculando se a diferença entre as duas heurísticas é menor 2 O valor ɛ deve ser dado como parâmetro do algoritmo. Algoritmo 2: checksolved Entrada: Um SSP, ɛ,s Saída: Verdadeiro se s tiver convergido, falso c.c. 1 resposta = verdadeiro 2 aberto = P ilhav azia 3 fechado = P ilhav azia 4 se s.m arcado então aberto.push(s) 5 enquanto aberto P ilhav azia faça 6 s = aberto.pop() 7 f echado.push(s) 8 se s.errodebellman(a) > ɛ então 9 resposta = falso continue //expande o estado a = s.acaogulosa() para todo s tal que P (s s, a) > 0 faça se s.marcado e Em(s, aberto f echado) então aberto.push(s ) fim para todo se resposta = verdadeiro então //marca os estados alcançáveis a partir da política gulosa para todo s fechado faça s.m arcado = verdadeiro fim para todo senão enquanto fechado P ilhav azia faça s = fechado.pop() s.update() Resultado: resposta do que a tolerância especificada. Com esta informação é possível determinar o quanto o valor de um estado está próximo de seu valor ótimo. Este algoritmo tem se mostrado muito eficiente, principalmente em domínios onde há muitas transições de baixa probabilidade, uma vez que o algoritmo poderia deixar de visitar muitos estados relevantes nestes domínios. Entretanto, o custo para calcular uma estimativa superior para o valor dos estados é muito alto e este cálculo pode fazer com que o BRTDP apresente um desempenho ruim para problemas grandes. O Algoritmo 3 mostra o pseudo-código da função princípal do BRTDP. Ela é chamada até que a diferença entre as duas heurísticas seja suficientemente pequena para o estado inicial. As funções State :: updatev U () e
4 Algoritmo 3: BRTDPTrial Entrada: s 0, τ. 1 s = s 0 2 visitado = pilhav azia 3 enquanto verdadeiro faça 4 visitado.push(s) 5 // V U é a estimativa superior para o valor dos estados e V L a estimativa inferior 6 V U (s) = s.updatev U () 7 a = s.greedyaction() 8 V L (s) = s.updatev L () 9 para todo s S faça b(s ) = (V U (s ) V L (s )) P (s s, a) fim para todo B = s S b(s ) se B < ((V U (s 0 ) V L (s 0 ))/τ) então break s é escolhido de acordo com a distribuição b(s )/B enquanto visitado pilhav azia faça s = visitado.pop() V U (s) = s.updatev U () V L (s) = s.updatev L () State :: updatev L () atualizam, respectivamente, as estimativas superiores e inferiores dos estados. A primeira devolve o valor da equação min a A(s) (c(a, s) + s S P (s s, a) V U (s)) e a segunda devolve o valor da equação min a A(s) (c(a, s) + s S P (s s, a) V L (s)). A ação gulosa é escolhida de acordo com V L. Segundo McMahan et al. (2005) o critério de parada das iterações (neste caso, B < ((V U (s 0 ) V L (s 0 ))/τ)) tem pouca influência no tempo de execução do algoritmo. 2.4 Prioritized Sweeping O algoritmo de Moore e Atkenson (1993) não foi originalmente proposto para ser utilizado em problemas de planejamento, mas sim em aprendizado computacional. Entretanto, novos algoritmos surgiram baseados nesta idéia, i.e. priorizar os estados segundo o erro de Bellman de seus sucessores. Exemplos destes algoritmos são os General Prioritized Solvers propostos por Wingate e Seppi (2005). Nestes algoritmos as iterações começam a partir de algum predecessor de um estado meta e toda vez que um estado é atualizado, e seu erro de Bellman é maior do que um dado valor, os seus predecessores são armazenados em uma lista de prioridades (a sua prioridade é calculada usando alguma métrica baseada no erro de Bellman). A lista de prioridades define qual o próximo estado a ser atualizado. Um algoritmo mais recente dessa família, Backward Value Iteration) (Dai e Hansen, 2007), propõe que não se use uma lista de prioridades, mas apenas uma lista. Todos os estados que são predecessores de estados que quando atualizados tem um erro de Bellman maior do que um dado ɛ são postos nessa lista. Uma das limitações destes algoritmos é assumir que a matriz de transição está completamente disponível e pode ser transposta facilmente. Ou seja, esses trabalhos assumem um modelo de estados descrito explicitamente. No entanto, esta suposição não deve ser feita quando se deseja resolver problemas grandes (principalmente quando o número de estados relevantes é pequeno em relação ao número total de estados). Essa suposição não é feita pelos algoritmos da família do RTDP (Algoritmos 1 e 3). Na próxima seção apresentaremos um algoritmo que combina as vantagens do LRTDP com a idéia do Prioritized Sweeping. 3 GRTDP A idéia do algoritmo proposto neste artigo (Gradient Oriented Labeled Real-Time Dynamic Programming - GRTDP) é modificar o LRTDP direcionando a escolha dos estados que devem ser atualizados privilegiando os estados sobre os quais o algoritmo tem poucas informações, de maneira similar a proposta do BRTDP. Para fazer isso sem muitas computações adicionais, ainda que utilizando um pouco mais de memória, o algoritmo utiliza o erro de Bellman (gradiente da função valor) na escolha dos estados. Esta mudança tem como objetivo melhorar a qualidade da informação utilizada nas próximas atualizações. No GRTDP, as funções utilizadas no LRTDP permanecem iguais, com exceção da função Estado :: proximoestado(), que passa a usar uma nova distribuição de probabilidades para a escolha dos estados. Esta nova distribuição de probabilidades é dada pelo valor normalizado de P (s s, a) E(s ), em que E(s ) é o erro de Bellman do estado s, armazenado na última vez em que o valor de s foi atualizado. Além disso, há uma mudança na função LRT DP T rial() para maximizar o fluxo de informações. Quando a função está checando se os estados convergiram e encontra um estado que ainda não convergiu ela para de testar a convergência dos estados visitados, mas continua atualizando seus valores. O Algoritmo 4 mostra a nova função GRT DP T rial(). A primeira alteração indica os estados sobre os quais o algoritmo tem pouca informação, ou tinha pouca informação até a última atualização e assim estes estados podem ser privilegiados. Com isso, as atualizações se tornam mais eficientes, uma vez que os próximos estados a serem atualizados utilizarão valores melhor aproximados. Esta maneira de medir quanta informação se tem sobre
5 Algoritmo 4: GRTDPTrial Entrada: s 0, epsilon. 1 s = s 0 2 visitado = pilhav azia 3 enquanto s.marcado = falso faça 4 visitado.push(s) 5 se s.meta = verdadeiro então break 6 a = s.acaogulosa() 7 s.update() 8 s = s.proximoestado() 9 flag = falso enquanto visitado pilhav azia faça s = visitado.pop() se flag = verdadeiro então s.update() senão se s.checksolved() = f also então flag = verdadeiro um estado não é tão precisa quanto a diferença entre as estimativas utilizada no BRTDP, mas é muito mais fácil de ser calculada. A segunda atualização permite que quando há uma mudança grande no valor de um estado (maior do que ɛ) essa informação seja propagada. 4 Resultados Para testar o desempenho do GRTDP frente ao LRTDP implementamos o GRTDP no sistema minigpt (Bonet e Geffner, 2005). Sistema usado pelos autores do LRTDP na competição International Planning Competition de 2004 (IPC 04). Esse sistema funciona em conjunto com o sistema mdpsim utilizado na competição para simular a execução das políticas devolvidas pelos planejadores. Testamos quatro problemas da competição, dois do famoso domínio blocksworld e dois do domínio schedule. Cada planejador resolveu os problemas 5 vezes e os resultados apresentados são a média do consumo de tempo gasto pelos planejadores. bw1 bw2 sc1 sc2 LRTDP 15456, ,8 8, ,4 GRTDP 8294,8 9505,8 77, ,4 % 53,66 67,66 60,28 82,04 Tabela 1: Consumo médio de tempo para a resolução dos quatro problemas usando a heurística atom-min-1-forward e ɛ = A última linha mostra a porcentagem do tempo gasto pelo GRTDP em relação ao tempo gasto pelo LRTDP. Na Tabela 1 podemos ver que o GRTDP foi bem mais rápido que o LRTDP para todas as instâncias consideradas (o GRTDP chegou a gastar 47% menos tempo). Com isso podemos perceber que a nova maneira de escolher quais estados devem ser atualizados proporciona resultados melhores e que, como ela exige pouco processamento o tempo gasto para calcular esta nova prioridade é compensado. Os problemas retirados do conjunto de testes do IPC 04 foram: bw (bw1 ), bw (bw2 ), a-schedule-problem4 (sc1 ) e a-scheduleproblem74 (sc2 ). Em todos os testes usamos a heurística atom-min-1-forward (Haslum and Geffner, 2000). Por falta de tempo não foi possível realizar uma implementação do BRTDP para comparálo diretamente com o GRTDP. Entretanto, podemos fazer uma comparação indireta, que, apesar de não ser muito precisa, pode nos indicar como o GRTDP se comporta em relação ao BRTDP. No artigo que apresenta o BRTDP (McMahan et al., 2005) podemos ver que o algoritmo é muito mais rápido que o LRTDP quando o domínio têm muitas transições de baixa probabilidade, já que o BRTDP pode não visitar todos os estados relevantes. No artigo foram feitos dois testes em domínios que não apresentam esta característica em um dos testes o BRTDP foi aproximadamente três vezes mais rápido que o LRTDP no outro teste o BRTDP foi aproximadamente três vezes mais lento que o LRTDP. Assim, como o GRTDP apresentou resultados consistentemente melhores que o LRTDP em todos os testes, vemos que os resultados são comparáveis aos resultados obtidos pelo BRTDP. 5 Conclusões Neste artigo foi proposta uma modificação do algoritmo LRTDP com relação a maneira de escolher os estados que devem ter seu valor atualizado e uma alteração no fluxo da informação. Os experimentos mostraram que estas alterações podem ter bastante influência na eficiência das atualizações e, consequentemente, no tempo necessário para resolver problemas de planejamento probabilístico modelados como SSPs. A maneira utilizada para medir quanta informação o algoritmo tem sobre os estados é particularmente interessante por não utilizar muitos recursos adicionais. Como trabalhos futuros pretendemos testar o GRTDP em outros domínios para garantir que as características observadas não dependem dos domínios testados, bem como fazer uma implementação do BRTDP para que uma comparação direta possa ser realizada e uma implementação de algum algoritmo da familia do Prioritized Sweeping, ambas no sistema minigpt. Esta pesquisa conta com o apoio da FAPESP através do processo 2008/
6 Referências Barto, A., Bradtke, S., Singh, S. (1995). Learning to act using real-time dynamic programming, Artificial Intelligence 72:81-8. Bellman, R.E. (1957), Dynamic Programming, Princeton University Press. Bertsekas, D. (1995), Dynamic Programming and Optimal Control. Athena Scientific. Bonet, B., Geffner, H. (2005), mgpt: A Probabilistic Planner Based on Heuristic Search, Journal of Artificial Intelligence Research 24: , AAAI Press. Smith, T., Simmons, R. (2006), Focused Real-Time Dynamic Programing for MDPs: Squeezing More Out of a Heuristic, Proceedings of the National Conference on Artificial Intelligence (AAAI), Boston MA. Wingate, D., Seppi, K. D. (2005), Prioritization Methods for Accelerating MDP Solvers, Journal of Machine Learning Research, Younes, H.L.S., Littman, M.L.(2003), PPDDL1.0: An extension to PDDL for expressing planning domains with probabilistic effects. Technical Report CMU-CS , Carnegie Mellon University. Boutilier, C., Dean, T., Hanks, S. (1999), Decision-Theoretic Planning: Structural Assumptions and Computational Leverage, Journal of Artificial Intelligence Research, Dai, P., Hansen, E. A. (2007), Prioritizing Bellman Backups Without a Priority Queue, International Conference on Automated Planning and Scheduling. Geffner, H., Bonet, B.(2003), Labeled RTDP: Improving the convergence of Real-Time Dynamic Programming, Proceedings of ICAPS Givan,R., Leach, S., Dean, T. (1997), Bounded Parameter Markov Decision Processes, Artificial Intelligence 2: Haslum, P., Geffner, H. (2000), Admissible Heuristic for Optimal Planning, Proceedings of the Artificial Intelligence Planning Systems 2000, McMahan, H.B., Likhachev, M., Gordon, G.J. (2005), Bounded real-time dynamic programming: RTDP with monotone upper bounds and performance guarantees, Proceedings of the 22nd international conference on Machine learning, Moore, A., Atkenson, C. (1993), Prioritized Sweeping: Reinforcement Learning with less data and less real time, Machine Learning Journal :3-0. Puterman, M. (1994), Markov Decision Processes - Discrete Stochastic Dynamic Programming, John Wiley and Sons, Inc.. Russell, S., Norvig, P. (1995), Artificial Intelligence: A Modern Approach, Prentice Hall Series in Artificial Intelligence, Englewood Cliffs, New Jersey.
Métodos de programação dinâmica para solução de problemas de planejamento probabilístico
Métodos de programação dinâmica para solução de problemas de planejamento probabilístico Renato Schattan Pereira Coelho e Leliane Nunes de Barros (Orientadora) Universidade de São Paulo (USP), Brasil fena@cecm.usp.br,
Leia maisSimulação Transiente
Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação
Leia maisCapítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho
20 Capítulo 3 Avaliação de Desempenho Este capítulo aborda como medir, informar e documentar aspectos relativos ao desempenho de um computador. Além disso, descreve os principais fatores que influenciam
Leia maisInteligência Computacional Aplicada a Engenharia de Software
Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar
Leia maisOrientação a Objetos
1. Domínio e Aplicação Orientação a Objetos Um domínio é composto pelas entidades, informações e processos relacionados a um determinado contexto. Uma aplicação pode ser desenvolvida para automatizar ou
Leia maisRespostas dos Exercícios Cap. 2 Russell & Norvig
Respostas dos Exercícios Cap. 2 Russell & Norvig 1. (2.2) Uma medida de desempenho e utilizada por um observador externo para avaliar o sucesso de um agente. Uma função de utilidade e utilizada por um
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisBusca Estocástica Baseada em Planejamento para Maximizar Metas em Jogos de RTS
Busca Estocástica Baseada em Planejamento para Maximizar Metas em Jogos de RTS Autor:Thiago França Naves 1, Orientador: Carlos Roberto Lopes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade
Leia maisANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD
ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos
Leia maisISO/IEC 12207: Gerência de Configuração
ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que
Leia maisFrancisca Raquel de Vasconcelos Silveira Gustavo Augusto Lima de Campos Mariela Inés Cortés
Francisca Raquel de Vasconcelos Silveira Gustavo Augusto Lima de Campos Mariela Inés Cortés Introdução Trabalhos Relacionados Abordagem Proposta Considerações Finais Conclusão Trabalhos Futuros 2 Agentes
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Linear Aula 25: Programação Não-Linear - Funções de Uma única variável Mínimo; Mínimo Global; Mínimo Local; Optimização Irrestrita; Condições Óptimas; Método da Bissecção; Método de Newton.
Leia maisCAP 254 CAP 254. Otimização Combinatória. Professor: Dr. L.A.N. Lorena. Assunto: Metaheurísticas Antonio Augusto Chaves
CAP 254 CAP 254 Otimização Combinatória Professor: Dr. L.A.N. Lorena Assunto: Metaheurísticas Antonio Augusto Chaves Conteúdo C01 Simulated Annealing (20/11/07). C02 Busca Tabu (22/11/07). C03 Colônia
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia mais2 Diagrama de Caso de Uso
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Caso de Uso (Use Case) Autoria:Aristófanes Corrêa
Leia maisGerência do Processador
Andrique Amorim www.andrix.com.br professor@andrix.com.br Gerência do Processador Desenvolvimento web II IMPORTANTE SABER Desenvolvimento web II DEADLOCK (interbloqueio, blocagem, impasse) Situação em
Leia maisProjeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro. Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br
Projeto e Análise de Algoritmos Projeto de Algoritmos Tentativa e Erro Prof. Humberto Brandão humberto@bcc.unifal-mg.edu.br Laboratório de Pesquisa e Desenvolvimento Universidade Federal de Alfenas versão
Leia maisBackup. Permitir a recuperação de sistemas de arquivo inteiros de uma só vez. Backup é somente uma cópia idêntica de todos os dados do computador?
Backup O backup tem dois objetivos principais: Permitir a recuperação de arquivos individuais é a base do típico pedido de recuperação de arquivo: Um usuário apaga acidentalmente um arquivo e pede que
Leia maisCAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES
CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:
Leia maisSistemas Operacionais
Sistemas Operacionais Aula 13 Gerência de Memória Prof.: Edilberto M. Silva http://www.edilms.eti.br Baseado no material disponibilizado por: SO - Prof. Edilberto Silva Prof. José Juan Espantoso Sumário
Leia maisNotas da Aula 17 - Fundamentos de Sistemas Operacionais
Notas da Aula 17 - Fundamentos de Sistemas Operacionais 1. Gerenciamento de Memória: Introdução O gerenciamento de memória é provavelmente a tarefa mais complexa de um sistema operacional multiprogramado.
Leia maisAlgoritmos e Programação (Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br
(Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br Introdução O computador como ferramenta indispensável: Faz parte das nossas vidas; Por si só não faz nada de útil; Grande capacidade de resolução
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisPLANEJAMENTO OPERACIONAL: RECURSOS HUMANOS E FINANÇAS MÓDULO 16
PLANEJAMENTO OPERACIONAL: RECURSOS HUMANOS E FINANÇAS MÓDULO 16 Índice 1. Orçamento Empresarial...3 2. Conceitos gerais e elementos...3 3. Sistema de orçamentos...4 4. Horizonte de planejamento e frequência
Leia maisFeature-Driven Development
FDD Feature-Driven Development Descrição dos Processos Requisitos Concepção e Planejamento Mais forma que conteúdo Desenvolver um Modelo Abrangente Construir a Lista de Features Planejar por
Leia mais)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR
6LPXODomR GH6LVWHPDV )HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR #5,6. Simulador voltado para análise de risco financeiro 3RQWRV IRUWHV Fácil de usar. Funciona integrado a ferramentas já bastante conhecidas,
Leia maisTabela de roteamento
Existem duas atividades que são básicas a um roteador. São elas: A determinação das melhores rotas Determinar a melhor rota é definir por qual enlace uma determinada mensagem deve ser enviada para chegar
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisGerenciamento de Riscos do Projeto Eventos Adversos
Gerenciamento de Riscos do Projeto Eventos Adversos 11. Gerenciamento de riscos do projeto PMBOK 2000 PMBOK 2004 11.1 Planejamento de gerenciamento de riscos 11.1 Planejamento de gerenciamento de riscos
Leia maisIntrodução Visão Geral Processos de gerenciamento de qualidade. Entradas Ferramentas e Técnicas Saídas
Introdução Visão Geral Processos de gerenciamento de qualidade Entradas Ferramentas e Técnicas Saídas O que é qualidade? Qualidade é a adequação ao uso. É a conformidade às exigências. (ISO International
Leia mais3 SCS: Sistema de Componentes de Software
3 SCS: Sistema de Componentes de Software O mecanismo para acompanhamento das chamadas remotas se baseia em informações coletadas durante a execução da aplicação. Para a coleta dessas informações é necessário
Leia maisPlanejamento Estratégico de TI. Prof.: Fernando Ascani
Planejamento Estratégico de TI Prof.: Fernando Ascani BI Business Intelligence A inteligência Empresarial, ou Business Intelligence, é um termo do Gartner Group. O conceito surgiu na década de 80 e descreve
Leia maisProtocolo em Rampa Manual de Referência Rápida
Protocolo em Rampa Manual de Referência Rápida 1 O que é o Protocolo em Rampa O protocolo em rampa é um protocolo para testes de esforço que não possui estágios. Nele o incremento da carga se dá de maneira
Leia maisIntrodução à genética quantitativa usando os recursos do R
Introdução à genética quantitativa usando os recursos do R Marisa R. Cantarino 1 Julia M. P. Soler (orientadora) 2 1 Introdução Um dos principais desafios da pesquisa genética atualmente é estabelecer
Leia maisAbordagem de Processo: conceitos e diretrizes para sua implementação
QP Informe Reservado Nº 70 Maio/2007 Abordagem de Processo: conceitos e diretrizes para sua implementação Tradução para o português especialmente preparada para os Associados ao QP. Este guindance paper
Leia maisSolitaire Interglobal
Solitaire Interglobal POWERLINUX OU WINDOWS PARA IMPLANTAÇÃO SAP Escolher entre as plataformas concorrentes de sistema operacional Linux e Windows para SAP pode ser uma tarefa confusa para as organizações.
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia mais2. Representação Numérica
2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos
Leia maisMetodologias de Desenvolvimento de Sistemas. Analise de Sistemas I UNIPAC Rodrigo Videschi
Metodologias de Desenvolvimento de Sistemas Analise de Sistemas I UNIPAC Rodrigo Videschi Histórico Uso de Metodologias Histórico Uso de Metodologias Era da Pré-Metodologia 1960-1970 Era da Metodologia
Leia mais7.Conclusão e Trabalhos Futuros
7.Conclusão e Trabalhos Futuros 158 7.Conclusão e Trabalhos Futuros 7.1 Conclusões Finais Neste trabalho, foram apresentados novos métodos para aceleração, otimização e gerenciamento do processo de renderização
Leia maisOrganização de Computadores
Organização de Computadores Marcelo Lobosco DCC/UFJF Avaliando e Compreendendo o Desempenho Aula 09 Agenda Avaliando e Compreendendo o Desempenho Introdução Definindo Desempenho Medindo o Desempenho Desempenho
Leia maisProf. Antonio Torres antonioctorres@gmail.com @_antonioctorres. Fundamentos de Sistemas Operacionais UNIP/2015
Prof. Antonio Torres antonioctorres@gmail.com @_antonioctorres Fundamentos de Sistemas Operacionais UNIP/2015 Disciplinas FUNDAMENTOS DE SISTEMAS OPERACIONAIS Horários Quarta-feira Fundamentos de Sistemas
Leia maisOrganização e Arquitetura de Computadores I
Organização e Arquitetura de Computadores I Aritmética Computacional Slide 1 Sumário Unidade Lógica e Aritmética Representação de Números Inteiros Aritmética de Números Inteiros Representação de Números
Leia maisEsta dissertação apresentou duas abordagens para integração entre a linguagem Lua e o Common Language Runtime. O objetivo principal da integração foi
5 Conclusão Esta dissertação apresentou duas abordagens para integração entre a linguagem Lua e o Common Language Runtime. O objetivo principal da integração foi permitir que scripts Lua instanciem e usem
Leia maisAPLICACAÇÃO DE METRICAS E INDICADORES NO MODELO DE REFERENCIA CMMI-Dev NIVEL 2
APLICACAÇÃO DE METRICAS E INDICADORES NO MODELO DE REFERENCIA CMMI-Dev NIVEL 2 Renan J. Borges 1, Késsia R. C. Marchi 1 1 Universidade Paranaense (UNIPAR) Paranavaí, PR Brasil renanjborges@gmail.com, kessia@unipar.br
Leia maisPrograma de Pós-Graduação em Comunicação e Cultura Contemporâneas. Grupo de Pesquisa em Interação, Tecnologias Digitais e Sociedade - GITS
Universidade Federal da Bahia Programa de Pós-Graduação em Comunicação e Cultura Contemporâneas Grupo de Pesquisa em Interação, Tecnologias Digitais e Sociedade - GITS Reunião de 18 de junho de 2010 Resumo
Leia maisTécnicas de Caixa Preta de Teste de Software
Técnicas de Caixa Preta de Teste de Software Na maioria de projetos de teste, o tempo para a realização dos mesmos sempre é curto e os números de testes a serem realizados nas aplicações são inúmeros.
Leia maisCI202 - Métodos Numéricos
CI202 - Métodos Numéricos Lista de Exercícios 2 Zeros de Funções Obs.: as funções sen(x) e cos(x) devem ser calculadas em radianos. 1. Em geral, os métodos numéricos para encontrar zeros de funções possuem
Leia maisUM CONCEITO FUNDAMENTAL: PATRIMÔNIO LÍQUIDO FINANCEIRO. Prof. Alvaro Guimarães de Oliveira Rio, 07/09/2014.
UM CONCEITO FUNDAMENTAL: PATRIMÔNIO LÍQUIDO FINANCEIRO Prof. Alvaro Guimarães de Oliveira Rio, 07/09/2014. Tanto as pessoas físicas quanto as jurídicas têm patrimônio, que nada mais é do que o conjunto
Leia maisPESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 *
PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR 1 Graduando Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 * 2 Pesquisador - Orientador 3 Curso de Matemática, Unidade Universitária
Leia maisSISTEMAS INTEGRADOS DE GESTÃO PAS 99:2006. Especificação de requisitos comuns de sistemas de gestão como estrutura para a integração
Coleção Risk Tecnologia SISTEMAS INTEGRADOS DE GESTÃO PAS 99:2006 Especificação de requisitos comuns de sistemas de gestão como estrutura para a integração RESUMO/VISÃO GERAL (visando à fusão ISO 31000
Leia maisAMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO BACHARELADO AMBIENTE PARA AUXILIAR O DESENVOLVIMENTO DE PROGRAMAS MONOLÍTICOS Orientando: Oliver Mário
Leia maisRoteiro SENAC. Análise de Riscos. Análise Quantitativa de Riscos. Análise Quantitativa de Riscos. Análise Quantitativa de Riscos
SENAC Pós-Graduação em Segurança da Informação: Análise de Riscos Parte 5 Leandro Loss, Dr. Eng. loss@gsigma.ufsc.br http://www.gsigma.ufsc.br/~loss Roteiro Análise de Qualitativa Quantitativa Medidas
Leia maisA lógica de programação ajuda a facilitar o desenvolvimento dos futuros programas que você desenvolverá.
INTRODUÇÃO A lógica de programação é extremamente necessária para as pessoas que queiram trabalhar na área de programação, seja em qualquer linguagem de programação, como por exemplo: Pascal, Visual Basic,
Leia maisProjetos. Universidade Federal do Espírito Santo - UFES. Mestrado em Informática 2004/1. O Projeto. 1. Introdução. 2.
Pg. 1 Universidade Federal do Espírito Santo - UFES Mestrado em Informática 2004/1 Projetos O Projeto O projeto tem um peso maior na sua nota final pois exigirá de você a utilização de diversas informações
Leia maisMRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior
MRP II Introdução A lógica de cálculo das necessidades é conhecida há muito tempo Porém só pode ser utilizada na prática em situações mais complexas a partir dos anos 60 A partir de meados da década de
Leia maisCálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante
Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos
Leia maisTecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler
Tecnologia em Gestão Pública Desenvolvimento de Projetos - Aula 9 Prof. Rafael Roesler Introdução Objetivos da Gestão dos Custos Processos da Gerência de Custos Planejamento dos recursos Estimativa dos
Leia maisEste trabalho visou a caracterização da utilização dos aplicativos APS pelas empresas.
6 Conclusão Este capítulo tem como objetivo a apresentação dos resultados diretos e indiretos deste trabalho. São apresentadas sugestões para futuras pesquisas sobre o tema aqui abordado. 6.1. Resultados
Leia maisAlgoritmos Genéticos
UNIVERSIDADE PRESBITERIANA MACKENZIE Laboratório de Computação Natural LCoN I ESCOLA DE COMPUTAÇÃO NATURAL Algoritmos Genéticos Rafael Xavier e Willyan Abilhoa Outubro/2012 www.computacaonatural.com.br
Leia mais6 Trabalhos Relacionados
6 Trabalhos Relacionados 55 6 Trabalhos Relacionados Para avaliar o desempenho da arquitetura DiffServ em prover qualidade de serviços em redes IP, uma série de experimentos tem sido realizados por vários
Leia maisO método de Monte Carlo: algumas aplicações na Escola Básica
1 Universidade de São Paulo/Faculdade de Educação Seminários de Ensino de Matemática (SEMA-FEUSP) Coordenador: Nílson José Machado novembro/2009 O método de Monte Carlo: algumas aplicações na Escola Básica
Leia maisPor que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,...
Por que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,... 0) O que veremos na aula de hoje? Um fato interessante Produtos notáveis Equação do 2º grau Como fazer a questão 5 da 3ª
Leia maisModelagem e Simulação
AULA 11 EPR-201 Modelagem e Simulação Modelagem Processo de construção de um modelo; Capacitar o pesquisador para prever o efeito de mudanças no sistema; Deve ser próximo da realidade; Não deve ser complexo.
Leia maisULA Sinais de Controle enviados pela UC
Solução - Exercícios Processadores 1- Qual as funções da Unidade Aritmética e Lógica (ULA)? A ULA é o dispositivo da CPU que executa operações tais como: Adição Subtração Multiplicação Divisão Incremento
Leia maisUtilização de Análise de Características Dinâmicas em analises estáticas.
Utilização de Análise de Características Dinâmicas em analises estáticas. Felipe A. Miziara 1, Marcelo A. Maia 1 1 Departamento de pós-graduação em Ciências da Computação Universidade Federal de Uberlândia
Leia maisIntrodução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.
Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisAnálise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)
Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 1 Prof. Cristóvão Cunha Objetivos de aprendizagem
Leia maisMatemática Financeira II
Módulo 3 Unidade 28 Matemática Financeira II Para início de conversa... Notícias como essas são encontradas em jornais com bastante frequência atualmente. Essas situações de aumentos e outras como financiamentos
Leia maisProgramação para Computação
Universidade Federal do Vale do São Francisco Programação para Computação Professor: Marcelo Santos Linder E-mail: marcelo.linder@univasf.edu.br Ementa Conceito de algoritmo. Lógica de programação e programação
Leia maisSimulação e controle inteligente de tráfego veicular urbano
Simulação e controle inteligente de tráfego veicular urbano Instituto de Informática - UFRGS XVII Seminário de Computação (SEMINCO) 04/11/2008 Roteiro Introdução O Simulador ITSUMO Simulação de Caso Real:
Leia maisGerência de Processador
Gerência de Processador Prof. Edwar Saliba Júnior Junho de 2009 Unidade 03-003 Gerência de Processador 1 Introdução Com o surgimento dos sistemas multiprogramáveis, onde múltiplos processos poderiam permanecer
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisMicrosoft Access: Criar consultas para um novo banco de dados. Vitor Valerio de Souza Campos
Microsoft Access: Criar consultas para um novo banco de Vitor Valerio de Souza Campos Conteúdo do curso Visão geral: consultas são essenciais Lição: inclui sete seções Tarefas práticas sugeridas Teste.
Leia maisAspectos Sociais de Informática. Simulação Industrial - SIND
Aspectos Sociais de Informática Simulação Industrial - SIND Jogos de Empresas Utilizada com sucesso para o treinamento e desenvolvimento gerencial Capacita estudantes e profissionais de competência intelectual
Leia maisSIMULADO: Simulado 3 - ITIL Foundation v3-40 Perguntas em Português
1 de 7 28/10/2012 16:47 SIMULADO: Simulado 3 - ITIL Foundation v3-40 Perguntas em Português RESULTADO DO SIMULADO Total de questões: 40 Pontos: 0 Score: 0 % Tempo restante: 55:07 min Resultado: Você precisa
Leia maisSUMÁRIO. Introdução... 3
SUMÁRIO Introdução..................................... 3 1 Consultas por Similaridade e Espaços métricos............. 5 1.1 Consultas por abrangência e consultas aos k-vizinhos mais próximos... 5 1.2
Leia maisIntrodução a Java. Hélder Nunes
Introdução a Java Hélder Nunes 2 Exercício de Fixação Os 4 elementos básicos da OO são os objetos, as classes, os atributos e os métodos. A orientação a objetos consiste em considerar os sistemas computacionais
Leia maisExame de Fundamentos da ITIL
Exame de Fundamentos da ITIL Simulado A, versão 5.1 Múltipla escolha Instruções 1. Todas as 40 perguntas devem ser respondidas. 2. Todas as respostas devem ser assinaladas na grade de respostas fornecida.
Leia maisCHECK - LIST - ISO 9001:2000
REQUISITOS ISO 9001: 2000 SIM NÃO 1.2 APLICAÇÃO A organização identificou as exclusões de itens da norma no seu manual da qualidade? As exclusões são relacionadas somente aos requisitos da sessão 7 da
Leia maisPipeline. Todos os estágios devem estar prontos ao mesmo tempo para prosseguir.
O throughput de um pipeline é determinado pela freqüência com que uma instrução sai do pipeline Todos os estágios devem estar prontos ao mesmo tempo para prosseguir O tempo requerido para mover uma instrução
Leia maisEntendendo como funciona o NAT
Entendendo como funciona o NAT Vamos inicialmente entender exatamente qual a função do NAT e em que situações ele é indicado. O NAT surgiu como uma alternativa real para o problema de falta de endereços
Leia maisMUDANÇAS NA ISO 9001: A VERSÃO 2015
MUDANÇAS NA ISO 9001: A VERSÃO 2015 Está em andamento o processo de revisão da Norma ISO 9001: 2015, que ao ser concluído resultará na mudança mais significativa já efetuada. A chamada família ISO 9000
Leia maisEspecificação do 3º Trabalho
Especificação do 3º Trabalho I. Introdução O objetivo deste trabalho é abordar a prática da programação orientada a objetos usando a linguagem Java envolvendo os conceitos de classe, objeto, associação,
Leia maisESTRUTURAS DE DADOS II
ESTRUTURAS DE DADOS II Msc. Daniele Carvalho Oliveira Doutoranda em Ciência da Computação - UFU Mestre em Ciência da Computação UFU Bacharel em Ciência da Computação - UFJF Conteúdo Programático 1. Introdução
Leia maisAgrupamento de dados
Organização e Recuperação de Informação: Agrupamento de dados Marcelo K. A. Faculdade de Computação - UFU Agrupamento de dados / 7 Overview Agrupamento: introdução Agrupamento em ORI 3 K-médias 4 Avaliação
Leia mais1 Inicie um novo. Guia de Referência Rápida de Gerenciamento de Projeto para o Project 2007. projeto
Guia de Referência Rápida de Gerenciamento de Projeto para o Project 2007 1 Inicie um novo Antes de começar um novo, uma organização deve determinar se ele se enquadra em suas metas estratégicas. Os executivos
Leia maisGESTÃO DAS INFORMAÇÕES DAS ORGANIZAÇÕES MÓDULO 11
GESTÃO DAS INFORMAÇÕES DAS ORGANIZAÇÕES MÓDULO 11 Índice 1. Importância do ERP para as organizações...3 2. ERP como fonte de vantagem competitiva...4 3. Desenvolvimento e implantação de sistema de informação...5
Leia mais1. Conceitos de sistemas. Conceitos da Teoria de Sistemas. Conceitos de sistemas extraídos do dicionário Aurélio:
1. Conceitos de sistemas Conceitos da Teoria de Sistemas OPTNER: É um conjunto de objetos com um determinado conjunto de relações entre seus objetos e seus atributos. TILLES: É um conjunto de partes inter-relacionadas.
Leia maisSistemas Operacionais
Sistemas Operacionais GERÊNCIA DO PROCESSADOR MACHADO/MAIA: CAPÍTULO 08 Prof. Pedro Luís Antonelli Anhanguera Educacional Gerenciamento do Processador A gerência do processador pode ser considerada a atividade
Leia maisUnidade 5: Sistemas de Representação
Arquitetura e Organização de Computadores Atualização: 9/8/ Unidade 5: Sistemas de Representação Números de Ponto Flutuante IEEE 754/8 e Caracteres ASCII Prof. Daniel Caetano Objetivo: Compreender a representação
Leia maisCurso: Redes II (Heterogênea e Convergente) Tema da Aula: Características Roteamento
Curso: Redes II (Heterogênea e Convergente) Tema da Aula: Características Roteamento Professor Rene - UNIP 1 Roteamento Dinâmico Perspectiva e histórico Os protocolos de roteamento dinâmico são usados
Leia maisProf.: Roberto Franciscatto. Capítulo 1.2 Aspectos Gerais
Sistemas Operacionais Prof.: Roberto Franciscatto Capítulo 1.2 Aspectos Gerais Estrutura do Sistema Operacional Principais Funções do Sistema Operacional Tratamento de interrupções e exceções Criação e
Leia maisMÓDULO 6 INTRODUÇÃO À PROBABILIDADE
MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para
Leia maisConceitos Básicos da Venda B2B
Conceitos Básicos da Venda B2B Série Vendas B2B Volume 1 PORTWAY Liderança eficaz para execução de Alta Performance Telefone: 11-3172-9040 www.portway.com.br contato@portway.com.br Sobre o Autor Marcelo
Leia maisImplantação. Prof. Eduardo H. S. Oliveira
Visão Geral A implantação de um sistema integrado de gestão envolve uma grande quantidade de tarefas que são realizadas em períodos que variam de alguns meses a alguns anos, e dependem de diversos fatores,
Leia mais