Programação de Horário em Escolas

Slides:



Advertisements
Apresentações semelhantes
Inteligência Artificial
Advertisements

Pesquisa Operacional Resolução através do Método Gráfico
Algoritmos Genéticos Alex F. V. Machado. Algoritmos Genéticos Quanto melhor um indivíduo se adaptar ao seu meio ambiente, maior será sua chance de sobreviver.
O Problema de Roteamento de Veículos (PRV)
OTIMIZAÇÃO DO PROJETO DE REDES URBANAS BASEADO NO PROBLEMA DE STEINER
School Timetabling Problem
Mineração de Dados Avaliação de Classificadores
INVESTIGAÇÃO OPERACIONAL
Cecília Rocha # 12001/2002 I NVESTIGAÇÃO O PERACIONAL 6ª Aula 6ª Aula Adaptação de problemas não standard ao Método Simplex Ir-se-ão referir os procedimentos.
1 Domínios Finitos A eficiência das programas em domínios finitos (incluindo booleanos) podem ainda ser melhoradas pelo uso de Algoritmos de Propagação.
EMEF “PROFª CAROLINA RENNÓ RIBEIRO DE OLIVEIRA”
Problemas de Forma Não-padrão
I Iterated Local Search Helena R. Lorenço, Olivier Martinz
Meta - heurísticas Prof. Aurora
GRASP Greedy Randomized Adaptative Search Procedure
GRASP Greedy Randomized Adaptive Search Procedures
Dárlinton B. Feres Carvalho
INTELIGÊNCIA COMPUTACIONAL PARA OTIMIZAÇÃO
Grupo: Leandro Lopes Marcelo Henrique Dias
Alocação de Salas Via Simulated Annealing
INTELIGÊNCIA COMPUTACIONAL PARA OTIMIZAÇÃO (CIC272)
Busca Tabu - Revisão Marcone Jamilson Freitas Souza
Inteligência Computacional para Otimização Marcone Jamilson Freitas Souza Departamento de Computação Universidade Federal de Ouro Preto
Maximização de Funções usando Simulated Annealing
Universidade Federal de Ouro Preto Universidade Federal Fluminense
Rodrigo Geraldo Ribeiro Denis Pinto Pinheiro Camila Leles Rezende
Simulated Annealing (SA) Aplicado ao Problema
XXXV SBPO - PROGRAMAÇÃO DE TRIPULAÇÕES DE ÔNIBUS URBANO:
Alocação de processos a computadores em uma rede em anel lógico utilizando Busca Tabu Eduardo Magno Lages Figueiredo Sibele Esteves Ramos Universidade.
OTIMIZAÇÃO DE PESO EM TRELIÇAS METÁLICAS VIA VND E VNS
Inteligência Computacional para Otimização
Busca Tabu Marcone Jamilson Freitas Souza Departamento de Computação
O PROBLEMA DE SCHEDULING EM JOB-SHOP
TEORIA DAS RESTRIÇÕES Prof Samir Silveira.
SIMPLEX ANÁLISE COMPLETA ANDERSON BESTETTI 1, EDUARDO RIGHES 1, EVERTON FONTOURA 2, GUILHERME LAZZARI 3, RODRIGO SCHRAMM 3, ROGERIO MARTINS 4 1 {anderson.bestetti,
Orientação DEMP/SEM/SB nº 01/2009 de 11 de dezembro de 2009.
INF 1771 – Inteligência Artificial
Algoritmos Estruturados Avançados 2º Período CSTA - UTP
Controlo e Gestão Bilhética
Unidade 3 EQUAÇÕES DO 2.º GRAU
Controle de parâmetros em algoritmos evolucionários
Meta - heurísticas Prof. Aurora
Otimização Prof. Benedito C. Silva IRN UNIFEI
Aurora Pozo– UFPR – Meta-Heurísticas
I Iterated Local Search Helena R. Lorenço, Olivier Martinz
MATEMÁTICA UNIDADE 2 Conteúdo: Determinante Duração: 10 40’ 31/03/14
Algoritmos Genéticos em Problemas com Restrições
Física Aula 05 - Mecânica Prof.: Célio Normando.
Otimização Inteira 5a. Aula Franklina.
Benevid Félix da Silva Professor Supervisor do Estágio Supervisionado I André Luiz Borges Milhomem Professor Supervisor do Estágio Supervisionado II Waghma.
Rodrigo de Carvalho.  Introdução ◦ Descrição do Problema  Algoritmos ◦ GRASP ◦ S.A ◦ AG  Planejamento Experimental ◦ Objetivo ◦ Instância e métricas.
GRASP Disciplina: ODST Professores: José Oliveira e Maria Carravilla
Pesquisa Operacional: Método Simplex – Duas Fases
Introdução aos Agentes Inteligentes Algoritmos de Melhorias Iterativas (Otimização) Flávia Barros.
Aula 5 Programação Inteira
PROGRAMAÇÃO MATEMÁTICA MÉTODO SIMPLEX
Algoritmos de Busca Local
SOLUÇÕES E SOLUBILIDADE (PARTE 01)
Otimização Paramétrica (Cap. 5)
Busca Combinatorial e Métodos de Heurística
Métodos de Resolução Solução Analítica Solução Numérica
Métodos Construtivos x Aprimoramento
FAP ° semestre de 2008 Grupo: Clayton, Jucivagno, Luciano e Marcel Uso efetivo de um blog em aulas de física.
Programação Não-Linear
CARACTERIZAÇÃO DO TEMA DE TESE Rosely Antunes de Souza Prof. Mayerle Setembro 2006.
Co-orientador: Nome do Professor Co-Orientador, se houver
Inteligência Artificial
Sistemas Inteligentes Algoritmos de Melhorias Iterativas (Otimização)
PPGTI AULA 3 Prof. Dr. Márcio A. Fiori –
Programação Linear ADSA António Câmara.
Transcrição da apresentação:

Programação de Horário em Escolas André Luiz G. dos Santos 00.2.4990 Caio Yuji Yoneyama 99.1.4033 Francys Wilhan Werner 00.2.4991

Descrição do problema O problema de programação de horários em escolas tem como objetivo a alocação das aulas de uma escola a um determinado conjunto de horários, satisfazendo algumas restrições.

Descrição do problema Solução manual difícil, demorada e o resultado pode ser insatisfatório Problema NP-difícil

Características do problema Dados Fictícios Restrições Essenciais Não essenciais

Restrições essenciais Uma turma não pode ter aula com mais de um professor ao mesmo tempo; Um professor não pode dar mais do que duas aulas seguidas para a mesma turma da mesma matéria;

Restrições não essenciais Minimizar o número de dias que um professor vai à escola;

Estrutura de vizinhança Dada uma solução s, sua vizinhança N(s) é constituída por um solução s’ que é obtida de s a partir de um movimento que consiste na simples troca de duas atividades (aulas) distintas de um mesmo turno

Estrutura de vizinhança Solução s

Estrutura de vizinhança Solução s’

Função Objetivo A função objetivo é baseada nas sobreposições, no excesso de aulas dia e no número de dias a mais que o professor vai a escola : fo do professor = (nº de vezes que o prof. vai a escola) – (nº de vezes que o prof. deveria ir a escola) fo = (fo de cada professor) * f1+ (nº de sobreposições)* f2 + (nº de excesso aula dia)* f3

Técnicas utilizadas Simulated Annealing

Fase de construção Um quadro de horários é construído de forma aleatória

Simulated Annealing Procedimento de otimização local que admite soluções de piora para escapar de ótimos locais Critério de parada: temperatura atual inferior a temperatura final

Simulated Annealing

Resultados Parâmetros utilizados: Solução inicial: Solução final: Para a sobreposição: 40 Para o excesso de aulas dia: 25 Para o excesso de vezes: 7 Solução inicial: fo = 5405 (131 sobreposições e 1 excessos aulas dia e vezes 20) Solução final: fomin = 84 (nenhuma sobreposição, nenhuma excessos aula dia e 12 excesso vezes) nº de iterações = 577500