Parcelas Espécies Definir áreas protegidas. cobertura.

Slides:



Advertisements
Apresentações semelhantes
AULA 02 PROGRAMAÇÃO LINEAR INTEIRA
Advertisements

Programação de Horário em Escolas
OTIMIZAÇÃO DO PROJETO DE REDES URBANAS BASEADO NO PROBLEMA DE STEINER
FACILITY LOCATION PROBLEM
Busca Otimizada Subida da Encosta (Hill Climbing)
CONCEITOS BÁSICOS DA META-HEURÍSTICA TABU SEARCH
Problemas de Forma Não-padrão
Modelos Matemáticos utilizados na PO
EE-214/2011 Métodos de Busca Aleatória. EE-214/2011 Problema Básico Sistema Dinâmico u xuxu J[u,x u ] Calculador de Custo Obter: Dados: 1) Um sistema.
GRASP Greedy Randomized Adaptative Search Procedure
1 Inventando Funções Heurísticas Como escolher uma boa função heurística h? h depende de cada problema particular. h deve ser admissível não superestimar.
Mário Biague V Oficina: "Como Considerar Variáveis Sociais, Ambientais e Políticas no Planejamento Energético" Análise de portfólio de recursos energéticos.
Exemplo.
Inteligência Computacional para Otimização Marcone Jamilson Freitas Souza Departamento de Computação Universidade Federal de Ouro Preto
Otimização de Funções Contínuas via Algoritmos Genéticos
Maximização de Funções usando Simulated Annealing
Maximização de Funções Simulated Annealing
Disparidades, Correspondências e Corte Mínimo para Estéreo
Inteligência Artificial
Artigo: The dynamic berth allocation problem for a container port Akio Imai, Etsuko Nishimura, Stratos Papadimitriou O propósito principal do artigo.
Problema de designação
O algoritmo de Quine-McCluskey
TOMADA DE DECISÃO E RACIONALIDADE ADEQUAR OS MEIOS AOS FINS DESEJADOS
INF 1771 – Inteligência Artificial
Busca Competitiva - MiniMax Jogo-da-Velha
Autores: Nome Empresa Marcus Rodrigo Carvalho Daimon
Aurora Pozo– UFPR – Meta-Heurísticas
Tópicos em Inteligência Artificial – opt. CI309A inf. ufpr
Nuno Orientador: Prof. João Paulo Tomé Saraiva Apoio no INESC:
Algoritmos Genéticos em Problemas com Restrições
Programação inteira Branch-and-bound Aula baseada em diversas fontes:
Otimização Inteira 5a. Aula Franklina.
Programação Linear Rosa Canelas Janeiro 2008.
Inteligência Artificial Aplicada a Problemas de Tomada de Decisão
Busca iterativa (otimização)
O PROBLEMA DE SCHEDULING EM JOB-SHOP
Aula 5 Programação Inteira
SOMA  0 fim início Simulação do algoritmo que soma os valores dos primeiros números naturais até o número fornecido como entrada: leia N T
Algoritmos de Busca Local
Programas Inteiros -Seleção de Investimentos Problema: Uma empresa tem $ de capital disponível para novos investimentos. Ela pré-selecionou 4 bons.
Utilização de algoritmos genéticos para a identificação e escolha de acções de condicionamento da procura de energia Álvaro Gomes; A. Gomes Martins; Carlos.
O PROBLEMA DE SCHEDULING EM JOB-SHOP
Localização de Pontos de Vigilância usando Programação Inteira Prof. Dr. Marcos Ricardo Rosa Georges.
Input » Processamento » Output »
Busca Combinatorial e Métodos de Heurística
Introdução Prof. Antonio Carlos Coelho
Métodos de Resolução Solução Analítica Solução Numérica
Problemas NP-completos e Programação Dinâmica
Alinhamento de sequências Almir R. Pepato. Homologia primária e secundária 1- Estabelecimento da matriz de caracteres (observações a respeito dos semaforontes.
Gestão de Projectos ADSA António Câmara. Gestão de Projectos Projectos como redes de actividades Determinação do caminho crítico Método de PERT Método.
DAS-6651: Métodos de Otimização – Teoria e Aplicações em Automação
Aplicações Reais.
I) Avaliar a biodiversidade. ii) Estabelecer metas conservacionistas (nº de ocorrências de cada espécie, nº de ha de cada tipo de vegetação), a dimensão,
Análise e Síntese de Algoritmos
Optimização Os problemas de optimização têm como objetivo maximizar ou minimizar uma função definida sobre um certo domínio Optimizar (max ou min)
Biodiversidade e Conservação 2009/2010 Métodos quantitativos no planeamento e selecção de áreas para a conservação da biodiversidade: Systematic Conservation.
Análise e Síntese de Algoritmos
PROGRAMAÇÃO LINEAR.
Projeto de um Algoritmo Genético Híbrido para Planejamento Operacional de Curto Prazo de Minerações a Céu Aberto Robert Fabricio Subtil.
2 - Portfólio de Investimentos
Pesquisa Operacional Profa. Leila Jane Brum Lage Sena Guimarães
Computação Evolutiva Nome dado ao estudo de algoritmos cuja inspiração é o processo de evolução natural das espécies. Origem: trabalho de um pesquisador.
Sistemas Inteligentes Algoritmos de Melhorias Iterativas (Otimização)
META(S) DE MELHORIA (PAT) Meta/Item de ControleMeta JANFEVMARABRMAIOJUNJULAGOSETOUTNOVDEZ Meta 1 - IC Meta não alcançada Meta alcançada Coleta de.
Pesquisa Operacional:
Programação Linear ADSA António Câmara.
Abordagens para Problemas Intratáveis Katia S. Guimarães
MODELOS DE DECISÃO António Câmara ADSA. Modelos de Decisão Modelos de decisão –modelos de decisão com incerteza –modelos de decisão com risco Modelos.
1 Otimização por Algoritmos Genéticos: Introdução Prof. Marco Aurélio C. Pacheco.
Xx. x x xxx.
Transcrição da apresentação:

Parcelas Espécies Definir áreas protegidas

cobertura

Selecionar áreas protegidas que representem todas as espécies determinar uma cobertura mínima

Como descobrir coberturas mínimas?

Considerar todas as possibilidades

.... etc...

Considerar todas as possibilidades

n=10 k=3 (120) 1 possibilidade n=70 k=30  1 nanoseg.  s  17.5 séculos!

A heurística não encontra soluções óptimas A enumeração explícita é impraticável Algoritmos genéticos, simulated annealing... Métodos sofisticados de enumeração

Encontrar coberturas mínimas é um problema difícil

Parcelas Espécies Como formular a cobertura

Parcelas Espécies

Parcelas Espécies

riqueza

nº de sp em cada parcela

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x2

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x ≥

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x ≥ A x ≥ 1

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x ≥ A x ≥ 1 Metas de representação 1 para cada sp

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x ≥ A x ≥ 1 Outras metas de representação

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x ≥ A x ≥ t Outras metas de representação

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x ≥ A x ≥ t Minimizar o nº de parcelas

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x ≥ A x ≥ t Minimizar o nº de parcelas x 1 +x x 7 =1 | x

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x ≥ A x ≥ t Minimizar a soma dos custos das parcelas c 1 c 2 c 3 c 4 c 5 c 6 c 7

x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x ≥ A x ≥ t Minimizar a soma dos custos das parcelas c 1 x 1 +c 2 x c 7 x 7 =c | x c 1 c 2 c 3 c 4 c 5 c 6 c 7

Em vez de presenças/ausências... abundâncias

Em vez de presenças/ausências... abundâncias

? 0 ? 0 0 ? ? ? 0 0 ? ? ? ? 0 ? ? ? ? 0 0 ? 0 0 ? 0 ? A

? 0 ? 0 0 ? ? ? 0 0 ? ? ? ? 0 ? ? ? ? 0 0 ? 0 0 ? 0 ? ???????98??????? A t

? 0 ? 0 0 ? ? ? 0 0 ? ? ? ? 0 ? ? ? ? 0 0 ? 0 0 ? 0 ? x1x1 x3x3 x4x4 x5x5 x6x6 x7x7 x2x2 98???????98??????? ≥ A x ≥ t

Maximizar o nº de sp cobertas, sujeito a retrições orçamentais

Maximizar o nº de sp cobertas, sujeito a retrições orçamentais x 1 +x x 7 ≤ b

Maximizar o nº de sp cobertas, sujeito a retrições orçamentais x 1 +x x 7 ≤ b y s =1 se sp s é selecionada

Maximizar o nº de sp cobertas, sujeito a retrições orçamentais x 1 +x x 7 ≤ b y s =1 se sp s é selecionada Max Σ y s

Maximizar o nº de sp cobertas, sujeito a retrições orçamentais x 1 +x x 7 ≤ b y s =1 se sp s é selecionada y s ≤ a s1 x 1 +a s2 x a s7 x 7, todo s Max Σ y s

Maximizar o nº de sp cobertas, sujeito a retrições orçamentais x 1 +x x 7 ≤ b y s =1 se sp s é selecionada y ≤ A x Max Σ y s

Maximizar o nº de sp cobertas, sujeito a retrições orçamentais x 1 +x x 7 ≤ b y s =1 se sp s é selecionada y ≤ A x Max Σ y s Garantir q é seleccionada...