Abordagem dual com função de ordenação para resolver problemas de programação quadrática em ambiente nebuloso
|
|
- Guilherme Coelho Mendonça
- 5 Há anos
- Visualizações:
Transcrição
1 Abordagem dual com função de ordenação para resolver problemas de programação quadrática em ambiente nebuloso Ricardo C. Silva Instituto de Ciência e Tecnologia Universidade Federal de São Paulo Rua Talim, 330, Vila Nair , São José dos Campos, SP ricardo.coelho@unifesp.br Akebo Yamakami Departamento de Telemtica Faculdade de Eng. Elétrica e de Computação Universidade Estadual de Campinas Avenida Albert Einstein, , Campinas, SP akebo@dt.fee.unicamp.br Resumo A falta de precisão de informação sobre problemas práticos ocorre de maneira natural quando desejamos realizar uma modelagem matemática apropriadas desses problemas no intuito de obter soluções mais realísticas. Uma maneira de tratar essa falta de precisão, que é inerente ao problema nesse tipo de situação, é usar a Lógica Nebulosa. Nesse trabalho, o problema prático é modelado no contexto de otimização e a aplicação de lógica nebulosa no tratamento das incertezas presentes nesses problemas da vida real está sendo crescente. Diante da importância desses problemas, a proposta desse trabalho é apresentar uma nova abordagem dual em ambiente nebuloso, a qual resolve problemas de programação quadrática com coeficientes nebulosos e incerteza na relação de ordem no conjunto de restrições. A abordagem proposta é aplicada em dois exemplos numéricos teóricos mostrando a sua eficiência. Palavras-chave: Lógica Nebulosa, Programação Quadrática, Dualidade, Função de ordenação. 1 Introdução No momento em que situações da vida real, que envolvem percepções humanas em seus dados, são modelados como problemas matemáticos, como por exemplo problemas de otimização, alguns dados são incertos devido a falta de precisão ou alguma ambiguidade sobre as informações do problema. Nesse caso, o uso de Computação Flexível é uma boa maneira de formular tanto a situações de medidas quanto de percepções. A computação flexível é um conjunto de metodologias que exploram a tolerância à imprecisões e incertezas. Essas metodologias devem tratar os dados incertos, ser robustas, obter soluções satisfatórias com baixo custo e ter uma interpretação realista. Em [25], computação flexível é uma combinação das metodologias que usam lógica nebulosa, neurocomputação, meta-heurísticas e raciocínio probabilístico. De acordo com Verdegay et al. [22], computação flexível é uma família de técnicas que resolvem problemas usando raciocínio aproximado, que trata a incerteza presente nos problemas práticos e está dividido em modelos probabilísticos e lógica nebulosa, e métodos de otimização e/ou aproximação funcional, que obtêm uma solução satisfatória dos problemas em ambiente incerto e está dividido em redes neurais artificiais e meta-heurísticas. A teoria de conjuntos nebulosos, desenvolvida por Zadeh [24], ajuda a tratar imprecisões presentes em problemas do mundo real. Essa teoria tem por finalidade de incorporar características subjetivas nos sistemas de tomada de decisão. Ela é aplicada em várias áreas por sua fácil implementação, flexibilidade, tolerância a dados imprecisos e facilidade em modelar comportamento abstrato e complexo em termos da linguagem natural. Uma breve introdução a lógica nebulosa e algumas de suas aplicações podem ser encontradas em [8,16,26]. Algumas dessas aplicações estão nas áreas de reconhecimento de padrões, análise de dados, controle, economia, pesquisa operacional, entre outras. Esse trabalho está centrado nos métodos que são baseados em conhecimento matemático. Teoreticamente, eles garantem obter uma solução ótima com certo grau de convergência. Esses métodos pertencem a classe de Programação Quadrática, que engloba problemas de otimização com uma função objetivo quadrática e restrições lineares. Como já descrito acima, a escolha dos dados é um dos passos críticos quando tentamos modelar um problema do mundo real no formato de um problema de programação matemática. Algumas vezes, esses dados dependem de conhecimento específico, que é algo
2 A. dual com f. de ordenação para resolver p.de programação quadrática em ambiente nebuloso 987 subjetivo e é descrito por valores aproximados. A partir desse ponto de vista, a teoria de conjuntos nebulosos aparece como uma interessante ferramenta porque ela permite ao decisor formular problemas de programação matemática com mais flexibilidade. Bellman and Zadeh [2] mostraram que existe um problema de programação linear equivalente para uma versão em ambiente nebuloso. Diante disso, algumas aplicações cresceram com o desenvolvimento da programação linear nebulosa, como descrito em [7,13,15]. Nos dias atuais, programação matemática nebulosa é considerada uma área importante em otimização. Contudo, uma dificuldade em representar os dados imprecisos usando lógica nebulosa está em comprar dois ou mais números nebulosos. Essa dificuldade em ordenar números nebulosos foi amplamente estudada na literatura e uma grande quantidade de métodos foram desenvolvidos para resolvê-la, vide [4]. Assim, nesse trabalho, modelos auxiliares de programação linear convencional, que podem usar diferentes métodos para ordenar números nebulosos, são desenvolvidos. Em [3], algumas formulações com dados imprecisos são apresentados e metodologias usando diferentes métodos de ordenação para números nebulosos são propostos. Em [9], algumas maneiras de ordenar números nebulosos são mostradas e uma nova proposta é apresentada, que transforma o problema de otimização sob ambiente nebuloso em três problemas de otimização clássicos resolvidos em tempo polinomial. O objetivo desse trabalho é desenvolver uma nova abordagem dual para resolver problemas de programação quadrática nebulosa. A incerteza está presente nos coeficientes e na relação de ordem do conjunto de restrições. Esse tipo de problema é importante porque é uma generalização dos problemas de otimização linear e um caso especial dos problemas não-lineares. A literatura sobre o tema de programação linear nebuloso é amplo e podemos destacar os trabalhos desenvolvidos por Rödder e Zimmermann [17], que considera uma interpretação econômica das variáveis duais, Verdegay [21], que transforma um problema dual de otimização linear nebuloso em um problema linear paramétrico equivalente provando que a solução nebulosa obtida tanto pela abordagem primal quanto pela dual são a mesma sob certas condições, Wu [23], que considera multiplicadores lagrangianos no problema dual juntamente com uma função lagrangiana nebulosa específica para resolver esse tipo de problema, Inuiguchi et al [12], que determina algumas condições para obter soluções satisfatórias e viáveis das abordagens duais dos problemas de programação linear nebulosa, Gupta e Mehlawat [10], que apresenta uma abordagem usando um nível de aspiração aplicado em funções de pertinência exponenciais para resolver problemas de otimização linear primal e dual, e Mahdavi-Amiri e Nasseri [14], representa os números nebulosos por funções de pertinência trapezoidal que descrevem os dados incertos numa adaptação do método Simplex dual. No entanto, não existem muitos trabalhos sobre o tema de programação quadrática e dentre os trabalhos podemos destacar [1]. Esse trabalho está dividido como segue: Na seção 2 são apresentados alguns conceitos sobre números nebulosos, operações usuais, função de ordenação que serão usados em nossa abordagem dual proposta; Na seção 3 uma nova abordagem dual para resolver problemas de programação o quadrática com coeficientes e relação de ordem no conjunto de restrições é desenvolvido; Alguns problemas de otimização teóricos são aplicados na seção 4 ilustrar nossa proposta e mostrar sua eficiênci; Finalmente, algumas conclusões e comentários são apresentadas na seção 5. 2 Conceitos básicos Antes de mostrar nossa proposta, que é uma abordagem dual para resolver problemas de programação quadrática sob ambiente nebuloso, apresentamos alguns conceitos básicos, sobre números nebulosos, operações básicas e função de ordenação, que foram usados para o desenvolvimento dessa proposta. 2.1 Fuzzy numbers Primeiramente, apresentamos a definição de número nebuloso que é usada nesse trabalho, sendo que a função de pertinência é construída por função do tipo L-R, e das operações básicas de adição e multiplicação por escalar, de acordo com [8].
3 988 Ricardo C. Silva Definição 1 Um número nebuloso, representado por ã = (m L, m U, α, β) LR, é descrito pela seguinte função de pertinência: ( m L ) x L x < m L, α > 0 α µã(x) = ( 1 ) m L x m U x m U (1) R m U x, β > 0 β 0 caso contrário. sendo m L o limitante inferior dos valores modais, m U o limitante superior dos valores modais, α o espalhamento a esquerda e β o espalhamento a direta. É fácil ver que os valores m L α and m U + β sã os limitantes com pertinência zero, inferior e superior, respectivamente. Definição 2 Seja ã e b números nebulosos, representado por ã = (m L, m U, α 1, β 1 ) LR e b = (n L, n U, α 2, β 2 ) e k R. As operações são definidas como: 1. Adição: 2. Multiplicação por escalar: ã + b = (m L + n L, m U + n U, α 1 + α 2, β 1 + β 2 ) LR. kã = (km L, km U, kα 1, kβ 1 ) LR, if k 0. kã = (km U, km L, kβ 1, kα 1 ) RL, if k < 0. Definição 3 Um vetor nebuloso de dimensão é dado por c = ( c 1,..., c k ), sendo as coordenadas c 1,..., c k números nebulosos. 2.2 Função de ordenação Um outro conceito fundamental é uma maneira de comparar dois ou mais números nebulosos. Alguns métodos podem ser encontrados em [16] e, nesse trabalho, escolhemos uma função qu transforma um número nebuloso em um clássico usando operações clássicas usuais e/ou combinando os valores modais e limitantes do número nebuloso. Esse método é chamado função de ordenação. Definição 4 Os seguintes critérios foram definidos por Kaufmann e Gupta [11]. 1. Primeiro Critério: Seja ã = (m, α, β) LR. O número real que representa o número nebuloso ã é dado por ă = m + 1 (β α). 4 É dito que ã é menor que b, e é descrito por ã < f b, qando ă < b. 2. Segundo Critério: Nesse critério, é usado um valor modal. Seja ã = (m 1, α 1, β 1 ) LR e b = (m 2, α 2, β 2 ) LR tal que ă = b. É dito que ã < f b quando m 1 < m 2. De forma similar, é definido a relação de ordem ã > f b. O primeiro critério de comparação é linear, isto é, se ã = b + k c, então ă = b + k c, k R. Esse critério pode ser visto como uma função de ordenação linear R : F (R) R. Até agora, usamos somente números nebulosos com um único valor modal, mas essa função pode ser aplicada a números nebulosos com um intervalo de valores modais. Uma generalização de seu uso pode ser descrito como: R(ã) = 1 2 (ml + m U ) + 1 (β α), 4 sendo que ã = (m L, m U, α, β) LR e F (R) descrevem o conjunto de números nebulosos. Se o número nebuloso tem um único valor modal, então m L = m U e a mesma função mostrada no primeiro critério é usada.
4 A. dual com f. de ordenação para resolver p.de programação quadrática em ambiente nebuloso Programação quadrática nebulosa Programação quadrática é um conjunto de problemas de otimização que, na sua formulação, o objetivo é descrito por uma função quadrática e o conjunto de resprições é construído a partir de funções lineares. Por um lado, esse conjunto de problemas pode ser definido com uma generalização dos problemas de otimização linear, mas por outro lado ele pode ser visto como uma classe especial de problemas de otimização não-linear Esse tipo de problema pode ser formulado da seguinte maneira: min c t x xt Qx s.a Ax b x 0. (2) sendo c um vetor n-dimensional com componentes de números reais, b um vetor m-dimensional com componentes de números reais, A uma matriz m n com componentes de números reais, e Q uma matriz simétrica n n com componentes de números reais. Nos dias atuais, programação matemática nebulosa é considerada uma importante área em otimização. Consequentemente, Problema (2) pode ser escrito como um problema de programação quadrática com coeficientes nebulosos e relação de ordem incerta no conjunto de restrições da seguinte maneira: min c t x xt Qx s.t. Ãx b x 0. sendo que o símbolo representa a incerteza nos dados, relação de ordem e variáveis de decisão. Entertanto, o foco desse trabalho está em tratar a incerteza presente nos coeficientes e na relação de ordem no conjunto de restrições. Como a função de ordenação é linear, então podemos aplicá-la no conjunto de restrições. Se os dados incertos aparecem somente no coeficientes, poderíamos transformar o problema de otimização sob ambiente nebuloso em um problema de programação quadrático clássico e usar alguma técnica convencional para resolvê-lo. Contudo, esse problema também tem incerteza na relação de ordem. Logo, podemos incorporar a metologia proposta em [20] junto com uma função linear de ordenação. Assim, Problema (3) pode ser reformulado como min c t x xt Qx s.t. R(Ã)x R( b) x 0. ( 1 sendo R(ã ij ) = 2 (al ij + a U ij) + 1 ) ( 1 4 (α ij β ij ) e R( b j ) = 2 (bl j + b U j ) + 1 ) 4 (σ j γ j ). Levando em consideração que a função de ordenação é linear o valor obtido R(Ã)x é igual ao valor obtido por R(Ãx). (3) (4) 3 Programação quadrática sob ambiente nebuloso De acordo com [19], podemos transformar um problema de programação quadrática com relação de ordem incerta no conjunto de restrições em um problema de programação quadrática clássica. Nesse caso, o parâmetro é um nível de α-corte que pertence ao intervalo (0,1]. Esse α é o valor da imagem do função de pertinência µ i : R (0, 1], i I, sendo I o conjunto que contendo a quantidade de funções de pertinência. É calro que cada função de pertinência, que corresponde cada restrição, terá um nível de satisfação para cada x R n. Quando o grau da função de pertinência é igual a 1, a restrição não tem nenhuma violação. Ademais, esse grau decresce até 0 quando a violação cresce até a máxima tolerância permitida.
5 990 Ricardo C. Silva Logo, essas funções de pertinência podem ser formuladas como segue 1, R(Ã i )x b i µ i (x) = 1 R(Ã i )x b i, b i < R(Ã i )x b i + p i p i 0, R(Ã i )x > b i + p i No intuito de resolver esse problema, um conjunto, que combina todas as restrições nebulosas, é definida. É obvio que α (0, 1], cada α-corte transforma o conjunto de rstrições nebulosas em um conjunto paraétrico clássico X(α) = {x R n /µ X (x) α} sendo x R n, Sempre que α (0, 1], µ X (x) = inf µ i (x), i I X(α) = j J{x R n /R(Ã J )x r j (α), x 0, x R n } sendo J o número de restrições do problema e com r j (α) = R(b j ) + d j (1 α), a solução do Problema (4) pode ser encontrado, α-corte por α-corte, quando o seguinte problema de programação quadráica paramétrica é formulado como: min c t x xt Qx s.t. R(Ã j )x r j (α) x 0, α (0, 1], j J. Logo, um problema de programação quadrática nebuloso pode ser parametrizada e, portanto, um problema de otimização nebuloso dual pode também ser parametrizado. De acordo com a teoria de dualidade em otimização, um problema de otimização primal restrito pode ser transformado em um problema dual irrestrito, que é chamado de dualidade langrangiana. No momento que a dualidade lagrangiana é aplicada no Problema (5), obtemos L(x, λ) = c t x + 1 ( ) 2 xt Qx + λ t R(Ã)x r(α). sendo que as componentes do vetor λ, que pertencem a R m, são chamados de multiplicadores de Lagrange e cada uma dessas posições é fortemente associada a uma função de restrição do problema primal. A função lagrangiana dual é definida como o valor mínimo da lagrangiana sobre o vetor de variáveis x. Assim, temos φ(λ) = min x R n L(x, λ) ) = min x R n c t x xt Qx + λ (R(Ã)x t r(α) ) Aplicando x L(x, λ) = 0, otemos o valor mínimo para x = Q (R(Ã) 1 t λ + c e substituindo esse valor na equação acima, temos φ(λ) = min λ 0 c t ( Q 1 ( B t λ + c )) ( Q 1 ( B t λ + c )) t Q ( Q 1 ( B t λ + c )) + +λ t ( B ( Q 1 ( B t λ + c )) r(α) ) = min λ 0 ( λ t B + c t) Q 1 ( B t λ + c ) ( λ t B + c t) Q 1 ( B t λ + c ) λ t r(α) = min λ 0 1 2( λ t B + c t) Q 1 ( B t λ + c ) λ t r(α) (5)
6 A. dual com f. de ordenação para resolver p.de programação quadrática em ambiente nebuloso 991 sendo B = R(Ã) e r(α) = R( b) + d(1 α). Portanto, o problema quadrático dual paramétrico é dado por: ) ( ) max φ(λ) = 1 2 (λ t R(Ã) + c t Q 1 R(Ã) t λ + c λ t (R( b) + d(1 α)) λ 0, α (0, 1]. A ideia principal da abordagem dual proposta aqui é usar um problema paramétrico para obter um conjunto de soluções satisfatórias, que é formado por diferentes valores de α, e então podemos usar o teorema da representação para compor todas as soluções do conjunto formando assim uma solução nebulosa como segue abaixo S = (1 α)s(α), α Assim, podemos mostrar que as soluções viáveis são encontradas pela abordagem paramétrica. Ela determina uma solução ótima nebulosa S que resolve o problema de otimização nebuloso original. 4 Exemplos numérico Nessa seção, dois exemplos numéricos simples são apresentados, os quais ilustram ambas as formulações primal e dual dos problemas de programação quadrática nebuloso. Example 1. Considere o seguinte problema quadrático nebuloso em sua forma primal. max f(x) = 9 8x 1 6x 2 4x 3 + 2x 2 1+ (6) +2x x x 1 x 2 + 2x 1 x 3 s.t. 1x 1 + 1x 2 + 2x 3 3, (7) x i 0, i = 1, 2, sendo a função objetivo formada pela matriz simétrica Q = 2 4 0, o vetor de custos c = e um termo independente igual a 9, enquanto o conjunto de restrições é formado pela matriz de coeficientes A = ( ), e o vetor de termos independentes b = 3. Os números nebulosos são definidos como 1 = (1, 1, 2) LR, 2 = (2, 2, 1) LR e 3 = (3, 2, 3) LR. Determinando a violação máxima permitida das restrições nebulosas, d, igual a 0,3, podemos reescrever o Problema (7) como um problema paramétrico equivalente da forma: max 9 8x 1 6x 2 4x 3 + 2x x x x 1 x 2 + 2x 1 x 3 s.t. R( 1)x 1 + R( 1)x 2 + R( 2)x 3 R( 3) + 0.3(1 α), (8) x i 0, i = 1, 2, 3 Aplicando a função de ordenação, descrita na seção 2, obtemos um problema de programação quadrática paramétrica, e o resolvendo para cada valor de α descrito na Tabela 1 podemos observar que os valores da função objetivo do enfoque primal e dual são os mesmos. Example 2. Considere o seguinte problema quadrático nebuloso na forma primal, descrito em [6], com incerteza no conjunto de restrições como segue: max 2x 1 + x 2 + 4x x 1 x 2 + 2x 2 s.t. 4x 1 + 5x x 1 + 4x 2 20 (9) 1x 1 + 1x 2 30 x 0,
7 992 Ricardo C. Silva Tabela 1. Soluções primal e dual para o primeiro exemplo. α x Valor Valor 1 x 2 x 3 α λ Primal Dual 0,0 1,4231 0,6707 0,2472 0,2259 0,0 0,3765 0,2259 0,1 1,4338 0,6625 0,2284 0,2373 0,1 0,3859 0,2373 0,2 1,4445 0,6542 0,2095 0,2490 0,2 0,3953 0,2490 0,3 1,4553 0,6459 0,1906 0,2610 0,3 0,4047 0,2610 0,4 1,4659 0,6377 0,1718 0,2733 0,4 0,4141 0,2733 0,5 1,4764 0,6294 0,1529 0,2859 0,5 0,4235 0,2859 0,6 1,4870 0,6212 0,1341 0,2987 0,6 0,4329 0,2987 0,7 1,4976 0,6130 0,1153 0,3119 0,7 0,4424 0,3119 0,8 1,5082 0,6047 0,0965 0,3253 0,8 0,4518 0,3253 0,9 1,5188 0,5965 0,0777 0,3390 0,9 0,4612 0,3390 1,0 1,5294 0,5883 0,0588 0,3529 1,0 0,4706 0,3529 sendo que os números nebulosos são definidos como 1 = (1, 1, 2) LR, 4 = (4, 2, 2) LR, 5 = (5, 2, 3) LR, 20 = (20, 10, 15) LR e 30 = (30, 20, 10) LR, e a tolerância máxima permitida para cada restrição é dada pelo vetor d = (2, 1, 3) t. Logo, o Problema (9) pode ser reformulado como um problema de programação quadrática da seguinte maneira: max 2x 1 + x 2 + 4x x 1 x 2 + 2x 2 s.t. R( 4)x 1 + R( 5)x 2 R( 20) + 2(1 α) R( 5)x 1 + R( 4)x 2 R( 20) + (1 α) (10) R( 1)x 1 + R( 1)x 2 R( 30) + 3(1 α) x 0, α (0, 1] ( ) ( ) sendo que a matriz simétrica Q =, o vetor de custos c =, a matriz de coeficientes A = 5 4, e o vetor de termos independentes b = 20. Aplicando a mesma função de ordenação obtemos um problema de programação quadrático paramétrico, e o resolvendo para cada valor de α descrito na tabela 2 podemos ver que os valores de função objetivo são os mesmos. Tabela 2. Soluções primal e dual para o segundo exemplo. Valor valor α x 1 x 2 α λ Primal Dual 0,0 0,5509 3, ,5278 0,0 4, ,5278 0,1 0,5555 3, ,9562 0,1 4, ,9562 0,2 0,5600 3, ,3870 0,2 4, ,3870 0,3 0,5645 3, ,8202 0,3 4, ,8202 0,4 0,5691 3, ,2558 0,4 4, ,2558 0,5 0,5736 3, ,6939 0,5 4, ,6939 0,6 0,5781 3, ,1343 0,6 4, ,1343 0,7 0,5826 3, ,5772 0,7 4, ,5772 0,8 0,5872 3, ,0225 0,8 4, ,0225 0,9 0,5917 3, ,4702 0,9 4, ,4702 1,0 0,5962 3, ,9203 1,0 4, ,9203
8 A. dual com f. de ordenação para resolver p.de programação quadrática em ambiente nebuloso 993 Os exemplos numéricos ilustrados nesse trabalho são simples, mas eles ajudam a mostrar a eficiência e as operações realizadas passo a passo na abordagem dual proposta. Um outro ponto principal importante a ser observado está no fato da solução obtida, pela abordagem dual proposta, para cada valor de α-corte é igual a solução obtida pela abordagem primal descrita em [5]. Em resumo, a abordagem proposta constrói um problema quarático nebuloso dual equivalente a partir do problema quadrático nebulosos primal. Ademais, é possível mostrar que não existe brecha de dualidade nesses exemplos numéricos. 5 Conclusão Uma nova abordagem dual para resolver problemas de programação quadrática em ambiente nebuloso foi apresentada nesse trabalho. Especificamente, a incerteza está presente nos coeficientes e na relação de ordem no conjunto de restrições. A abordagem dual proposta transforma o problema quadrático nebuloso em um problema quadrático paramétrico para cada α-corte. A solução obtida para cada problema paramétrico compõe uma solução nebulosa. No intuito de validar e mostrar a eficiência dessa abordagem proposta, dois exemplos numéricos teóricos simples são resolvidos. Além disso, as solução nebulosa obtida pela abordagem dual é igual a solução nebulosa obtida resolvendo o problema primal. Os resultados nesse trabalho favorecem a continuação de estudos em otimização nebulosa, com a meta em resolver problemas do mundo real de larga escala. Como parte de trabalhos futuros, a meta é comparar a abordagem dual proposta com outros métodos da literatura. Devido à falta de trabalhos nesse tópico de otimização dual, uma outra meta é a aplicação dessa abordagem dual para resolver ambos os problemas de otimização linear e não-linear nebulosos. Agradecimento Os autores agradecem ao apoio financeiro da FAPESP (projeto regular 2010/ ). Referências 1. C. R. Bector and S. Chandra, Fuzzy mathematical programming and fuzzy matrix games, ser. Studies in Fuzziness and Soft Computing. Berlin: Springer, 2005, vol R. E. Bellman and L. A. Zadeh, Decision-marking in a fuzzy environment, Management Science, vol. 17, no. 4, pp. B141 B164, J. M. Cadenas and J. L. Verdegay, Using ranking functions in multiobjective fuzzy linear programming, Fuzzy Sets and Systems, vol. 111, 47 53, L. Campos and J. L. Verdegay, Linear programming problems and ranking of fuzzy numbers, vol. 32, 1 11, C. Cruz, R. C. Silva and J. L. Verdegay. Extending and relating different approaches for solving fuzzy quadratic problems. Fuzzy Optimization and Decision Making, vol. 10, , C. Cruz, R. C. Silva, J. L. Verdegay, and A. Yamakami, A survey of fuzzy quadratic programming, Recent Patent on Computer Science, vol. 1, no. 3, pp., M. Delgado, J. L. Kacprzyk, J. L. Verdegay, and M. A. Vila (eds), Fuzzy optimization: recent advances, Physica-Verlag, New York, D. Dubois and H. Prade, Fuzzy sets and systems: Theory and Application, Academic Press, San Diego, M. Ghatee and S. M. Hashemi, Ranking function-based solutions of fully fuzzified minimal cost flow problem, Information Sciences, vol. 177, , P. Gupta and M. K. Mehlawat, Bector-Chandra type duality in fuzzy linear programming with exponential membership function, Fuzzy Sets and Systems, vol. 160, , A. Kaufmann, M.M. Gupta, Fuzzy Mathematical Models in Engineering and Management Science, North Holland, Amsterdam, M. Inuiguchi, J. Ramik, T. Tanino, and M. Vlach, Satisficing solutions a duality in interval and fuzzy linear programming, Fuzzy Sets and Systems, vol. 135, pp , Y. J. Lai and C. L. Hwang, Fuzzy mathematical programming: methods and applications, Vol. 394 of ser. Lecture Notes in Economics and Mathematical Systems. Berlin: Springer, N. Mahdavi-Amiri and S. H. Nasseri, Duality results and a dual simplex method for linear programming problems with trapezoidal fuzzy variables, Fuzzy Sets and Systems, vol. 158, , C. V. Negoita and D. A. Ralescu, Applications of fuzzy sets to systems analysis, Birkauser Springer, Stuttgard,Germany, 1975.
9 994 Ricardo C. Silva 16. W. Pedrycs and F. Gomide, An Introduction of Fuzzy Sets: Analisys and Design, MIT Press, Cambrigde, UK, W. Rödder and H. J. Zimmermann, Duality in fuzzy linear programming, in A. V. Fiacco and K. O. Kortanek (eds), Extremal Methods and Systems Analysis, New York, pp , R. C. Silva, C. Cruz, J. L. Verdegay, and A. Yamakami, A survey of fuzzy programming models, in W. Lodwick and J. Kacprzyk (eds), Fuzzy Optimization: Recents Advances and Applications, vol. 254 of Studies in fuzziness and Soft Computing, Springer, Berlin, pp , R. C. Silva, J. L. Verdegay, and A. Yamakami, Two-phase method to solve fuzzy quadratic programming problem, IEEE International Conference on Fuzzy Systems, London, UK, pp. 1 6, R. C. Silva and A. Yamakami, A dual approach to solve fuzzy quadratic programming problems, NAFIPS 2011, El Paso, USA, pp. 1 6, J. L. Verdegay, A dual approach to solve the fuzzy linear programming problem, Fuzzy Sets and Systems, vol. 14, pp , J. L. Verdegay, R. R. Yager, and P. P. Bonissone, On heuristic as a fundamental constituent of soft computing, Fuzzy Sets and Systems, vol. 159, no. 7, pp , H. C. Wu, Duality theorems in fuzzy mathematical programming problems based on the concept of necessity, Fuzzy Sets and Systems 139, , L. A. Zadeh, Fuzzy sets, Information and Control, vol. 8, pp , L. A. Zadeh, Soft computing and fuzzy logic, IEEE Software, vol. 11, no. 6, pp , H. J. Zimmermann, Fuzzy set theory-and its applications, third edn, Kluwer Academic Publishers, Massachusetts, 1996.
Resolvedo problemas de despacho econômico com dados incertos usando enfoque paramétrico dual
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Resolvedo problemas de despacho econômico com dados
Leia maisUma abordagem dual para resolver problemas de programação quadrática nebulosa
Uma abordagem dual para resolver problemas de programação quadrática nebulosa Ricardo C. Silva e Akebo Yamakami Departamento de Telemática DT Faculdade de Engenharia Elétrica e de Computação FEEC Universidade
Leia maisUm Algoritmo de Pontos Interiores na Resolução de Problemas de Programação Linear com Coeficientes Fuzzy
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Um Algoritmo de Pontos Interiores na Resolução de Problemas de Programação
Leia maisEm 1970, Bellman e Zadeh (Bellman, 1970) apresentaram a otimização IX]]\, que é um conjunto de técnicas utilizadas em problemas de otimização com
4 ±0('/$ 5'd Muito já foi feito no desenvolvimento de metodologias para a resolução de problemas de programação linear IX]]\. Entretanto a grande parte dos trabalhos apresentados procurou obter uma solução
Leia maisAPLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS
APLICAÇÃO DE NÚMEROS FUZZY TRIANGULARES EM ANÁLISES DE INVESTIMENTOS EM SITUAÇÕES DE INCERTEZA - MÉTODO BASEADO NA TEORIA DOS JOGOS Alexandre Ferreira de Pinho, Mestrando Escola Federal de Engenharia de
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisTeoria de dualidade. Marina Andretta ICMC-USP. 19 de outubro de 2016
Teoria de dualidade 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
Leia maisUM ALGORITMO BASEADO NO MÉTODO SIMPLEX PARA REDES APLICADO NO PROBLEMA DE FLUXO DE CUSTO MÍNIMO COM INCERTEZAS
UM ALGORITMO BASEADO NO MÉTODO SIMPLEX PARA REDES APLICADO NO PROBLEMA DE FLUXO DE CUSTO MÍNIMO COM INCERTEZAS Felipe Ribas Forbeck, João Paulo M. K. Katayama, Fábio Hernandes Departamento de Ciência da
Leia maisDEPARTAMENTO 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
Leia maisTeoria 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
Leia maisINFORMAÇÕES 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.
Leia maisDECIDINDO COM BASE EM INFORMAÇÕES IMPRECISAS
DECIDINDO COM BASE EM INFORMAÇÕES IMPRECISAS ARTIGO Oscar Pereira Dias Jr. Doutor em Engenharia de Produção pela Escola Politécnica da USP, Professor Titular da UNIP, ex-assessor da Secretaria de Educação
Leia maisProgramação Linear - Parte 5
Matemática Industrial - RC/UFG Programação Linear - Parte 5 Prof. Thiago Alves de Queiroz 1/2016 Thiago Queiroz (IMTec) Parte 5 1/2016 1 / 29 Dualidade Os parâmetros de entrada são dados de acordo com
Leia maisOtimização. Conceitos Fundamentais. Paulo Henrique Ribeiro Gabriel Faculdade de Computação Universidade Federal de Uberlândia 2016/2
Otimização Conceitos Fundamentais Paulo Henrique Ribeiro Gabriel phrg@ufu.br Faculdade de Computação Universidade Federal de Uberlândia 2016/2 Paulo H. R. Gabriel (FACOM/UFU) GSI027 2016/2 1 / 30 Agradecimentos
Leia maisEstabilidade e Estabilização de Sistemas Lineares via
Trabalho apresentado no DINCN, Natal - RN, 2015 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Estabilidade e Estabilização de Sistemas Lineares via Programação Semidefinida
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia maisTP034-Tópicos Especiais de Pesquisa Operacional I
TP34-Tópicos Especiais de Pesquisa Operacional I (Conjuntos Difusos Princípio da Extensão) Prof. Volmir Wilhelm Curitiba, Paraná, Brasil Gráficos difusos Um gráfico difuso descreve um mapeamento funcional
Leia maisProgramação Linear Fuzzy: Otimização de um Modelo de Circuito Elétrico
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Programação Linear Fuzzy: Otimização de um Modelo de Circuito Elétrico
Leia maisModelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisCLASSIFICAÇÃO DE PROBLEMAS SEQÜENCIAIS DE MÚLTIPLOS ESTÁGIOS
Encontro Internacional de Produção Científica Cesumar 23 a 26 de outubro de 2007 CLASSIFICAÇÃO DE PROBLEMAS SEQÜENCIAIS DE MÚLTIPLOS ESTÁGIOS João Candido Bracarense 1, Juliano Rodrigo Lamb 2 RESUMO: A
Leia maisUM 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,
Leia maisMAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
Leia maisCURSO DE MESTRADO EM Construções Metálicas
CURSO DE MESTRADO EM Construções Metálicas DEPARTAMENTO DE ENGENHARIA CIVIL - ESCOLA DE MINAS UNIVERSIDADE FEDERAL DE OURO PRETO Disciplina: Otimização Estrutural I Carga Horária: 45 Código: CIV 733 Responsável:
Leia maisTeoria 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
Leia maisII Seminário da Pós-graduação em Engenharia Elétrica
UMA INVESTIGAÇÃO DOS PARÂMETROS NOS MÉTODOS MISTOS DE OTIMIZAÇÃO NÃO LINEAR Ellen Cristina Ferreira Aluna do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Profa. Dra. Edméa Cássia Baptista
Leia maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia maisTeoria 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
Leia maisComo resolver o QFEMUP usando otimização
Como resolver o QFEMUP usando otimização Marina Andretta ICMC-USP 2 de agosto de 2016 Baseado no artigo M. Andretta, E. G. Birgin and M. Raydan, An inner-outer nonlinear programming approach for constrained
Leia maisALGORITMO PARA A RESOLUÇÃO DO PROBLEMA DE FLUXO MULTIPRODUTO FUZZY
ALGORITMO PARA A RESOLUÇÃO DO PROBLEMA DE FLUXO MULTIPRODUTO FUZZY Juliana Verga Faculdade de Engenharia Elétrica e de Computação - Universidade Estadual de Campinas Av. Albert Einstein, 400 - Caixa Postal
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Prof. Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 19 de Junho de 2017 2/27 Máquinas de Vetores de Suporte Support Vector Machines (SVM)
Leia maisMétodo 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
Leia maisIncertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy
Incertezas na Computação Científica: Abordagens via Matemática Intervalar e Teoria Fuzzy Rogério Vargas Dr. Luciano Vitoria Barboza, orientador Dra. Graçaliz Pereira Dimuro, co-orientadora Pelotas-RS,
Leia maisCombinando inequações lineares
Combinando inequações lineares A multiplicação por um número > 0 não altera uma inequação 2x x 5 4x 2x 0 2 2 A soma de duas inequações (com o mesmo sentido) produz uma inequação válida x 3x + x 3 2 + 5x
Leia maisCONJUNTOS, LÓGICA E SISTEMAS FUZZY
COE 765 TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS DE POTÊNCIA CONJUNTOS, LÓGICA E SISTEMAS FUZZY Djalma M. Falcão COPPE/UFRJ Agosto de 2002 INTRODUÇÃO Modelos matemáticos convencionais são: Crisp, isto
Leia maisCombinando inequações lineares
Combinando inequações lineares A multiplicação por um número > 0 não altera uma inequação 2x x 5 4x 2x 10 1 2 1 2 A soma de duas inequações (com o mesmo sentido) produz uma inequação válida x 3x x 3 1
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisNo exemplo há duas variáveis básicas: ST e LX. Serão agora representadas, em um gráfico bidirecional, tanto as restrições como a função objetivo.
RESOLUÇÃO PELO MÉTODO GRÁFICO No exemplo há duas variáveis básicas: ST e. Serão agora representadas, em um gráfico bidirecional, tanto as restrições como a função objetivo. O modelo é: Maximizar: Sujeito
Leia mais2. DESIGUALDADES MATRICIAIS LINEARES
11 2. DESIGUALDADES MARICIAIS LINEARES Neste capítulo, introduziremos alguns conceitos básicos relacionados às Desigualdades Matriciais Lineares. Na seção 2.1, apresentamos uma introdução às LMI s; na
Leia maisENG-418 OTIMIZAÇÃO DE PROCESSOS QUÍMICOS
Universidade Federal da Bahia - UFBA Escola Politécnica EP Departamento de Engenharia Química - DEQ Laboratório de Controle e Otimização de Processos Industriais - LACOI Disciplina: Otimização de Processos
Leia maisProgramação Linear M É T O D O S : E S T A T Í S T I C A E M A T E M Á T I C A A P L I C A D A S D e 1 1 d e m a r ç o a 2 9 d e a b r i l d e
Programação Linear A otimização é o processo de encontrar a melhor solução (ou solução ótima) para um problema. Existe um conjunto particular de problemas nos quais é decisivo a aplicação de um procedimento
Leia maisOtimização Linear. Profª : Adriana Departamento de Matemática. wwwp.fc.unesp.br/~adriana
Otimização Linear Profª : Adriana Departamento de Matemática adriana@fc.unesp.br wwwp.fc.unesp.br/~adriana Revisão Método Simplex Solução básica factível: xˆ xˆ, xˆ N em que xˆ N 0 1 xˆ b 0 Solução geral
Leia maisSISTEMAS LINEARES PROF. EDÉZIO
SOLUÇÕES NUMÉRICAS DE SISTEMAS LINEARES PROF. EDÉZIO Considere o sistema de n equações e n incógnitas: onde E : a x + a x +... + a n x n = b E : a x + a x +... + a n x n = b. =. () E n : a n x + a n x
Leia maisRepresentação de poliedros
Representação de poliedros Marina Andretta ICMC-USP 8 de novembro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 -
Leia maisUniversidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação. Inteligência Artificial. Lógica Fuzzy Aula II
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Lógica Fuzzy Aula II Introdução a Lógica Fuzzy Retomada Função de pertinência Variáveis linguísticas
Leia maisPlanos e hiperplanos reais e complexos. Contents. 4 Um problema sobre comportamento das retas complexas. 6
Bol. Soc. Paran. Mat. (3s.) v. 2 /2 (2003): 8. c SPM Planos e hiperplanos reais e complexos Ludmila Bourchtein abstract: The study of the structure of n-dimensional complex space C n and the different
Leia maisOtimização 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
Leia maisO teorema do ponto fixo de Banach e algumas aplicações
O teorema do ponto fixo de Banach e algumas aplicações Andressa Fernanda Ost 1, André Vicente 2 1 Acadêmica do Curso de Matemática - Centro de Ciências Exatas e Tecnológicas - Universidade Estadual do
Leia maisMAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 2015
MAT27 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 201 Nesta prova considera-se fixada uma orientação do espaço e um sistema de coordenadas Σ (O, E) em E 3, em que E é uma base
Leia maisEEL 7100 Despacho Econômico de Unidades Térmicas Parte 1
EEL 7100 Despacho Econômico de Unidades Térmicas Parte 1 Antonio Simões Costa UFSC - LABSPOT A. Simões Costa (UFSC - Labspot) 1 / 25 Introdução Importância da consideração da eficiência econômica na operação
Leia maisMétodo do Lagrangiano aumentado
Método do Lagrangiano aumentado Marina Andretta ICMC-USP 23 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 23 de novembro de 2010 1 / 17 Problema com restrições gerais Vamos
Leia mais)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD
)XQGDPHQWRVGHSURJUDPDomRPDWHPiWLFD,QWURGXomR A grande maioria dos problemas de engenharia pode ser solucionado de diferentes formas, uma vez que um número muito grande de soluções atende aos critérios
Leia maisCapítulo 3 - Problemas com Valores de Fronteira para Equações Diferenciais Ordinárias
Capítulo 3 - Problemas com Valores de Fronteira para Equações Diferenciais Ordinárias Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática
Leia maisTeoria 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
Leia maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
Leia maisAula 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
Leia maisMarina Andretta. 10 de outubro de Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis.
Solução básica viável inicial Marina Andretta ICMC-USP 10 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia maisPlanejamento da Operação de Sistemas Hidrotérmicos. Parte III
Universidade Federal de Paraná Setor de Tecnologia Departamento de Engenharia Elétrica Planejamento da Operação de Sistemas Hidrotérmicos Parte III Prof. Dr. Clodomiro Unsihua-Vila SISTEMA TERMELÉTRICO
Leia maisTítulo do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas
Número do BANPESQ/THALES: Título do projeto: Metaheurísticas aplicadas à identificação, controle e otimização de sistemas I. Autor: Leandro dos Santos Coelho II. Resumo: A Inteligência Computacional é
Leia maisMAP Exercício programa Data de entrega: 21/11/2012
Introdução MAP-2220 - Exercício programa 2-2012 Data de entrega: 21/11/2012 Interpolação Baricêntrica e Métodos de Colocação Este exercício programa tem como objetivo uma implementação da fórmula baricêntrica
Leia maisResolvendo algebricamente um PPL
Capítulo 6 Resolvendo algebricamente um PPL 6.1 O método algébrico para solução de um modelo linear A solução de problemas de programação linear com mais de duas variáveis, não pode ser obtida utilizando-se
Leia maisMétodo Preditor-Corretor Aplicado ao Fluxo de Carga Ótimo com Correções Não-lineares nas Condições de Otimalidade
Método Preditor-Corretor Aplicado ao Fluxo de Carga Ótimo com Correções Não-lineares nas Condições de Otimalidade Roy Wilhelm Probst Departamento Acadêmico de Matemática UTFPR Curitiba PR E-mail: rwprobst@utfpr.edu.br
Leia maisInfluência da AIDS na Expectativa de Vida
BIOMATEMÁTICA XIII (2003) 75 84 Uma Publicação do Grupo de Biomatemática IMECC UNICAMP Influência da AIDS na Expectativa de Vida de uma População R. S. M. Jafelice, Faculdade de Matemática, UFU, 38.408-00
Leia maisModelagem Computacional. Parte 7 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 7 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 7] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisO Algoritmo Talus para Otimização Global
O Algoritmo Talus para Otimização Global André Leite Luís Henrique de Santana Programa de Pós-Graduação em Eng. Elétrica Programa de Pós-Graduação em Eng. de Produção leite.andre@gmail.com santanalh@ahoo.com.br
Leia mais0.1 Conjunto de oportunidade e a fronteira e ciente
0. Conjunto de oportunidade e a fronteira e ciente O retorno esperado de uma carteira é média ponderada dos retornos esperados ativos que o compõe. Mas o mesmo resultado não vale para a variância. A variância
Leia maisDespacho Econômico Considerando as Perdas de Transmissão
Capítulo 1 Despacho Econômico Considerando as Perdas de Transmissão 1.1 Introdução Até agora, os métodos de despacho econômico apresentados têm ignorado as perdas de transmissão. Entretanto, as perdas
Leia maisProfessor João Soares 20 de Setembro de 2004
Teoria de Optimização (Mestrado em Matemática) Texto de Apoio 2A Universidade de Coimbra 57 páginas Professor João Soares 20 de Setembro de 2004 Optimização Linear Considere o problema (1) abaixo, que
Leia maisResolução de sistemas de equações lineares: Método dos Gradientes Conjugados
Resolução de sistemas de equações lineares: Método dos Gradientes Conjugados Marina Andretta/Franklina Toledo ICMC-USP 24 de março de 2015 Baseado no livro Cálculo Numérico, de Neide B. Franco Marina Andretta/Franklina
Leia maisInterpolação polinomial
Cálculo Numérico Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Motivação: População do Brasil Ano População (milhões) 1960 70, 992343 1970 94, 508583 1980
Leia maisTeoremas de dualidade
Teoremas de dualidade 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
Leia maisAula 07: Análise de sensibilidade (2)
Aula 07: Análise de sensibilidade (2) Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously Aulas anteriores: Dualidade
Leia maisAvaliação de Segurança em Curvas Eĺıpticas Usando o Corpo dos Números p-ádicos
Avaliação de Segurança em Curvas Eĺıpticas Usando o Corpo dos Números p-ádicos Marcio Belleza Fábio Borges Laboratório Nacional de Computação Científica - LNCC 10 de dezembro de 2018 Organização do Trabalho
Leia maisInteligência Artificial Escola de Verão Laboratório Associado de Computação e Matemática Aplicada LAC.
Inteligência Artificial Escola de Verão 28 Laboratório Associado de Computação e Matemática Aplicada LAC www.lac.inpe.br/~demisio/ia_lac.html Lógica Nebulosa A Lógica Nebulosa (ou Lógica Difusa Fuzzy Logic
Leia maisConstrução de matrizes inteiras com somas das linhas e das colunas prescritas
Construção de matrizes inteiras com somas das linhas e das colunas prescritas Rosário Fernandes Departamento de Matemática, Faculdade de Ciências e Tecnologia Universidade Nova de Lisboa, Caparica, Portugal
Leia maisModelagem Computacional. Aula 5 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Aula 5 2 Prof. Thiago Alves de Queiroz 2 [Cap. 5] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
Leia maisAula 10 Sistemas Não-lineares e o Método de Newton.
Aula 10 Sistemas Não-lineares e o Método de Newton MS211 - Cálculo Numérico Marcos Eduardo Valle Departamento de Matemática Aplicada Instituto de Matemática, Estatística e Computação Científica Universidade
Leia maisBernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2
Uma Introdução à Otimização sob Incerteza Bernardo Kulnig Pagnoncelli 1 e Humberto José Bortolossi 2 1 Departamento de Matemática Pontifícia Universidade Católica do Rio de Janeiro 2 Departamento de Matemática
Leia maisMétodos para resolver problemas de otimização restrita
Métodos para resolver problemas de otimização restrita Marina Andretta ICMC-USP 22 de novembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 22 de novembro de 2010 1 / 13 Problema
Leia mais2 Métodologia para a Resolução do NEP
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Algoritmos para o Problema de Equilíbrio de Nash Euda Mara da Silva Ferreria Universidade Federal do Paraná, UFPR, Curitiba, PR E-mail: diretoria@facel.com.br
Leia maisAjuste de mínimos quadrados
Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}
Leia maisTeoria da Decisão. Abordagem Clássica para Tomada de Decisão Multicritério. Prof. Lucas S. Batista.
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 Abordagem Bellman-Zadeh Sumário
Leia maisPrograma 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,
Leia maisADAPTAÇÕES DOS ALGORITMOS DE DIJKSTRA E FORD-MOORE- BELLMAN PARA O PROBLEMA DO CAMINHO MÍNIMO COM INCERTEZAS
ADAPTAÇÕES DOS ALGORITMOS DE DIJKSTRA E FORD-MOORE- BELLMAN PARA O PROBLEMA DO CAMINHO MÍNIMO COM INCERTEZAS Fábio Hernandes Universidade Estadual do Centro-Oeste UNICENTRO Departamento de Ciência da Computação
Leia maisCapítulo 3. O Método Primal Simplex
Capítulo 3 O Método Primal Simplex 3.. Introdução Neste Capítulo, apresenta-se o método de resolução de problemas de programação linear mais utilizado, isto é, o método primal simplex. Assim, apresenta-se
Leia maisMétodo TLS Truncado para o Problema de Espectroscopia de Ressonância Magnética
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 214. Método TLS Truncado para o Problema de Espectroscopia de Ressonância Magnética Jonathan Ruiz Quiroz UFSC - Departamento de Matemática Campus Trindade
Leia maisIntrodução. A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado.
Introdução A Inteligência Artificial (IA) vem sendo desenvolvida desde o século passado. Iniciou-se já na época da Grécia antiga, onde foi desenvolvido o Distribuidor de Água em Delfos, o qual fornecia
Leia maisCONTEÚDO LÓGICA NEBULOSA INTRODUÇÃO INTRODUÇÃO. Lógica Procura modelar o raciocínio. Lógica. Marley Maria B.R. Vellasco
LÓGICA NEBULOSA Marley Maria B.R. Vellasco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada PUC-Rio CONTEÚDO Introdução Introdução, Objetivo e Histórico Conceitos Básicos Definição, Características
Leia maisOPTIMIZAÇÃO NÃO LINEAR EM REDES
OPTIMIZAÇÃO NÃO LINEAR EM REDES Luis Ernesto Torres Guardia Departamento de Engenharia de Produção Universidade Federal Fluminense Rua Passo da Pátria 156, São Domingos 24210-240, Niterói, R.J., Brasil
Leia maisOPTIMIZAÇÃO NÃO LINEAR
OPTIMIZAÇÃO NÃO LINEAR Opção IV - LESI Método de penalidade para PSI 2004/2005 Optimização não linear - Opção IV - LESI 1 Formulação - Programação Semi-Infinita (PSI) min f(x) x R n s.t. g i (x, t) 0,
Leia mais3 Métodos Utilizados para a Priorização dos Modos de Falha
3 Métodos Utilizados para a Priorização dos Modos de Falha 3. Introdução Este Capítulo tem como obetivo aprentar as metodologias multicritério PROMETHEE e F-PROMETHEE que rão utilizadas na problemática
Leia mais5 Formulação Dinâmica Não Linear no Domínio da Frequência
129 5 Formulação Dinâmica Não Linear no Domínio da Frequência No Capítulo 2, foram apresentadas as formulações para a análise dinâmica de estruturas reticuladas no domínio do tempo, sendo uma informação
Leia maisSISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
Leia maisINFORMAÇÕES 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,
Leia maisSistemas especialistas Fuzzy
Sistemas Fuzzy Sistemas especialistas Fuzzy Especialistas Senso comum para resolver problemas Impreciso, inconsistente, incompleto, vago Embora o transformador esteja um pouco carregado, pode-se usá-lo
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisAlexey Izmailov Mikhail Solodov VOLUME II MÉTODOS COMPUTACIONAIS. Rio de Janeiro 2 007
page 1 Alexey Izmailov Mikhail Solodov OTIMIZAÇÃO, VOLUME II MÉTODOS COMPUTACIONAIS Rio de Janeiro 2 007 page Copyright c 2007 by Alexey Izmailov and Mikhail Solodov Direitos reservados, 2007 pela Associação
Leia maisLema de Farkas e desigualdades lineares
Lema de Farkas e desigualdades lineares Marina Andretta ICMC-USP 30 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP)
Leia maisCLASSIFICAÇÃO DE FORNECEDORES POR FUZZY LOGIC
CLASSIFICAÇÃO DE FORNECEDORES POR FUZZY LOGIC Rogério Atem de Carvalho, M.Sc. Professor do CEFET/Campos - Rua Dr. Siqueira 273, Pq. Dom Bosco, CEP 28030-130, Campos/RJ Aluno de Pós-Graduação em Engenharia
Leia maisMarina Andretta. 17 de setembro de Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright.
Métodos de regiões de confiança Marina Andretta ICMC-USP 17 de setembro de 2014 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear
Leia maisAula 10: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo
Aula 10: Revisão Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br 2018/2 - PCC174/BCC464 Aula Prática - Laboratório COM30!1 Breve Revisão Modelagem Método gráfico O Algoritmo Simplex
Leia mais