ELABORAÇÃO DE HORÁRIOS

(1)

AULA 14

META-HEURÍSTICAS + SIMULAÇÃO PERSPECTIVAS FUTURAS

Autor: Anibal Tavares de Azevedo

INTRODUÇÃO À META-HEURÍSTICAS

2 4 1 5 3

2

4 1 3 5

P1

P2

P3

ELABORAÇÃO DE HORÁRIOS

(2)

2

Segunda Terça Quarta Quinta Sexta Sábado

7:30-8:20 8:20-9:10 9:30-10:20 10:20-11:10 11:15-12:05

Cálculo I Cálculo I

Física I

Física I Física I

Cálculo II Cálculo II

PROFESSOR 1

PROFESSOR 2 Física I

MELHOR HORÁRIO – VISÃO PROFESSORES

(3)

Segunda Terça Quarta Quinta Sexta Sábado 7:30-8:20

8:20-9:10 9:30-10:20 10:20-11:10 11:15-12:05

Física I

7:30-8:20 8:20-9:10 9:30-10:20 10:20-11:10 11:15-12:05

ALUNO 1

ALUNO 2

MELHOR HORÁRIO – VISÃO ALUNOS

Física I

Física I Física I Física I

Cálculo I Cálculo I Cálculo II

7:30-8:20 8:20-9:10 9:30-10:20 10:20-11:10 11:15-12:05

Cálculo I Cálculo I Cálculo II

Cálculo II

MELHOR HORÁRIO – VISÃO RECURSOS

Física I

Física I Física I Física I

(4)

4

MÚLTIPLOS OBJETIVOS PROFESSORES ALUNOS

RECURSOS NOVO HORÁRIO

NOVA RODADA?

(5)

FLEXIBILIDADE DAS META-HEURÍSTICAS

VEÍCULOS AUTOGUIADOS

(6)

6

3

2

4 1 5 6

7 8 9

(x_c,y_c)

Limites do ambiente

Obstáculos Veículo

Radar

v_c

1

(7)

v_c

1 1 0 0 0 0 0 0 0 0

Informação do radar

Decisão

1

2

v_c

1 1 0 0 0 0 0 0 0 0

Decisão

2

3

(8)

8

0 0 0 0 0 0 0 0 1

Extração de informação do radar

(9)

0 0 0 0 0 0 0 0 1

Comparando a informação com as regras armazenadas no banco de dados

0

0 0 0 1 0 0 0 0 1 0

…

0 0 0 0 0 0 0 0 1

0

0 0 0 1 0 0 0 0 1 0

…

Movendo o veículo

(10)

10

0 100 200 300 400 500 600 700

fixo

variável

R1 R1

(11)

R1 R1

R2

(12)

12 R1 R1

R2 R1 R1

R1 R1

R2 R1 R1

(13)

R1 R1

R2 R1 R1 R3

R1 R1

R2 R1 R1

R3 R1

(14)

14 R1 R1

R2 R1 R1

R3 R1

Detecta Parede !

R1 R1

R2 R1 R1

R3 R1

R2

(15)

R1 R1

R2 R1 R1 R3

Colisão !

R1

R2

R1

R1 R1

R2 R1 R1 R3

Colisão !

R1

R2

R1

(16)

16

v_c

1

grafig(xc,yc,xv,yv,angle,rr,ratio)

Coordenadas pilares

Coordenadas veículo

Ângulo do radar

Alcance do radar

Raio do veículo

(17)

v_c

1 1 0 0 0 0 0 0 0 0

Decisão

1

2

[sector,colid]=

detecta(xc,yc,xv,yv,angle,rr,ratio)

30^o

(18)

18

θθθθ=30

ϕϕϕϕ+ θθθθ= 60

30^o

ϕϕϕϕ= 30 φφφφ= 36,5

Ângulo barreira - Setores candidatos:

1, 4, 7

2

30^o

d = 36,5

Distância da barreira com os limites dos setores 1, 4 e 7: posição no setor 1

3

(19)

0 0 0 0 0 0 0 0 1

0

0 0 0 1 0 0 0 0 1 0

…

[ dif1 ]=match( v1 , v2 )

Índice dos vetores que combinam

0 0 0 0 0 0 0 0 1

0 0 0 1 0 0 0 0 1 0

…

(20)

20

2 2 2 2 2 2 2 2 2 0

Informação obtida pelo radar

Decisão Tanto faz: barreira ou não

REPRESENTAÇÃO MAIS COMPACTA: VANTAGEM!

2 2 2 2 2 2 2 2 2 0

Decisão

Tanto faz: barreira ou não

(21)

2 2 2 2 2 2 2 2 2 0

Decisão

CENÁRIO 1

2 2 2 2 2 2 2 2 2 0

Decisão

(22)

22

2 2 2 2 2 2 2 2 1 1

Informação específica Decisão Informação geral

CENÁRIO 2

2 2 2 2 2 2 2 2 1 1

Informação específica Decisão Informação geral

[R]=espec(v1)

2 2 2 2 2 2 2 2 2 0

2 2 2 2 2 2 2 2 1 0

R(1) = 0 R(2) = 1

(23)

2 2 2 2 2 2 2 2 1 0

Decisão

ATIVIDADE 1: CRIE SUAS REGRAS PARA TESTAR DEPOIS NA AULA DE LABORATÓRIO!

Informação específica

0 1 2

if (listam == 1) then angle=angle+%pi/12;

elseif (listam == 0)

angle=angle-%pi/12; 30^o

DETALHES DA SIMULAÇÃO

(24)

24 R1 R1

R2 R1 R1 R3

Evolução das regras:

••••Número de passos

••••Últimas regras usadas

Colisão !

R1

R2

R1

COMO PREMIAR AS REGRAS?

(25)

(26)

26

+

CHAVES ALEATÓRIAS - RK

(27)

0.25 0.19 0.67 0.05 0.89

1 Gere valores aleatórios:

GENETICS AND RANDOM KEYS FOR SEQUENCING AND OPTIMIZATION BY JAMES C. BEAN, 1994

2 Víncule um índice: 1 2 3 4 5

3 Ordene os valores aleatórios reais em ordem crescente e modifique a ordem dos índices de acordo com essa ordem.

0.25 0.19 0.67 0.05 0.89

1 2 3 4 5

0.05 0.19 0.25 0.67 0.89

4 2 1 3 5

GENETICS AND RANDOM KEYS FOR SEQUENCING AND OPTIMIZATION BY JAMES C. BEAN, 1994

(28)

28

BIASED RANDOM-KEY GENETIC ALGORITHMS WITH APPLICATIONS IN TELECOMMUNICATIONS BY MAURICIO G. C. RESENDE, JOURNAL OF HEURISTICS, 2010

CHAVES ALEATÓRIAS VICIADAS-BRKGA

(29)

CHAVES ALEATÓRIAS VICIADAS-BRKGA

(30)

30

1 2

3 4 5

6 7

8 9

10 11

12

13 14

Problema do Caixeiro Viajante

(31)

1 2

3

4

5

SOLUÇÃO

APLICAÇÃO NO PROBLEMA DO CAIXEIRO VIAJANTE - PCV

0.25 0.19 0.67 0.05 0.89

1 2 3 4 5

ENXAME DE PARTÍCULAS (PSO)

(32)

32

(33)

function [fo] = evaluatePSO(S,M) S = decode(S);

[m,n] = size(S);

for i=1:m sol = S(i,:)';

aux = tspdist(sol,M);

fo(i) = aux;

end

function [S] = decode(S) [m, n] = size(S);

[i1,i2] = gsort(S,"c");

// Como gsort coloca na ordem // decrescente

(34)

34

CORTE E EMPACOTAMENTO

(35)

CORTE E EMPACOTAMENTO

PERSPECTIVAS FUTURAS

(36)

36

(37)

ELABORAÇÃO DE HORÁRIOS

OBRIGADO !!!