Ferramentas de Utilizador

Ferramentas de Site


inf05010:2025-2-trabalhos

Trabalhos

Considerações gerais

  • O trabalho é em grupos até 2. Cada grupo escolhe um problema e uma meta-heurística.
  • Tarefas:
    1. Formular o problema como programa linear ou inteiro.
    2. Resolver as instâncias definidas (ver abaixo) com um solver genérico (p.ex. CPLEX, GLPK, SCIP).
    3. Definir e implementar a meta-heurística escolhida para o problema.
    4. Resolver as instâncias definidas com a meta-heurística.
    5. Documentar e analisar os experimentos num relatório.
    6. Apresentar os resultados em aula.

Passo a passo

  1. Ler a definição dos problemas, selecionar um problema.
  2. Selecionar uma heurística (lista abaixo, Aulas 1-3).
  3. Informar sobre a seleção por email: integrantes, problema e heurística selecionada. (Cada combinação problema+heurística é disponível somente uma vez.)
  4. Submeter uma proposta para implementação da heurística até 3 de setembro 2025.
    • Conteúdo: Definição dos principais elementos da abordagem (representação de uma solução, solução inicial, vizinhanças, critério de parada, etc.).
  5. Apresenter uma formulação matemática até 20 de outubro 2025.
  6. Entregar o trabalho completo até 3 de dezembro 2025.
  7. Apresentar o trabalho numa das aulas previstas no cronograma (a agenda vai ser definida mais próximo das datas de apresentação).

Meta-heurísticas

  • Simulated annealing (SimAnn)
  • Busca local iterada / Busca gulosa iterada (ILS)
  • Busca Tabu (BT)
  • Algorítmo genético/memético (GA)
  • GRASP
  • Variable neighborhood search (VNS)

Documentação e critérios de avaliação

O objetivo do trabalho é conhecer uma meta-heurística profundamente e ganhar experiência prática para aplicar-la em novos problemas. A avaliação reflete esse objetivo.

Entendimento do método

Definição e justificativa da abordagem ao problema. Todas escolhas feitas para aplicar a meta-heuristica para o problema em questão devem ser claramente relatadas. Isso inclui a representação do problema, a função objetivo, a geração da solução inicial, a vizinhança e a estratégia de escolha em caso de buscas locais, os operadores (crossover,mutação) em caso de algoritmos genéticos, outros parâmetros do métodos (temperatura,lista tabu e tenure,…), critério de terminação. (Essa lista não é exaustiva.)

Avaliação experimental

Reprodutibilidade: Documentação das instâncias, tempo de execução, parâmetros, número de experimentos, semente do gerador randômico, dados experimentais, etc. Método de escolha de parâmetros. Discussão e conclusões. Em particular: para métodos estocásticos os valores apresentados devem ser médias de pelo menos 5 replicações de cada experimento com sementes diferentes.

Implementação

Critérios básicas da eng. de SW: documentação, legibilidade, etc.

Convenções da implementação

  • Todas implementações devem aceitar uma instância no formato do problema na entrada padrão (stdin) e imprimir a melhor solução encontrada na saída padrão (stdout).
  • Os principais parâmetros do método devem ser definíveis pela linha de comando.
  • O primeiro parâmetro da linha de comando é o nome de um arquivo para gravar a melhor solução encontrada.

Entregáveis

O trabalho consiste em:

  • Um relatório com a documentação da solução com resultados e discussão (veja um exemplo).
    • Elementos obrigatórios: Introdução, Formulação, Descrição da solução, Resultados obtidos com análise, Conclusão e Bibliografia.
    • Uma implementação do modelo matemática e da heurística (linguagem arbitrária desde seja padrão sem uso de bibliotecas proprietárias e pode ser compilado e executado usando somente software livre).
    • Nos resultados computacionais, uma tabela informando, para cada instância: valor da solução inicial (SI), valor da solução final (SF), desvio percentual da solução final em relação à inicial calculado como 100*(SI-SF)/SI, desvio percentual da SF em relação à solução ótima, tempo computacional da metaheurística, tempo computacional da resolução via solver.
    • Protocolos das execuções do solver e da meta-heuristica e outros dados experimentais detalhados;
  • Uma apresentação em aula.

Outras informações úteis

Trabalhos selecionados

No. Trabalho Nome P F A R C
1 DLN+AG João, Gilmar ✅.
2 DLN+SimAnn Eduardo L ✅.
3 DLN+IGA João Pedro, Pedro S ✅.
4 DR+AG Guilherme, Taylor ✅.
5 DLNB+AG Gabriel WW ✅.
6 DLN+GRASP Breno, Cassio
7 DLN+ILS Bibiana, Gabriel CW
8 DLN+VNS Leonardo ✅.
9 DLN+BT Clara, Vitor ✅.
10 DLNB+BT Eduardo F, Pedro B ✅.
11 DR+GRASP Mario ✅.
12 DR+VNS Lucas, Eraldo

Status: 1 de outubro 2025.
#Trabalhos definidos: 20/24.

P: Proposta, F: Formulação, A: Apresentação, R: Relatório, C: Código. (+x): entregue (com atraso de x dias).

Seleções

DLN DLNB DR
Simulated Annealing (SimAnn)
Iterated Local Search (ILS)
Iterated Greedy Algorithm (IGA)
Busca Tabu (BT)
Algoritmo Genetico (AG)
GRASP
Variable Neighborhood Search (VNS)

DLN = Depositar lixo nuclear
DLNB = Depositar lixo nuclear de forma balanceada
DR = Depósitos representativos

Agenda

Data Hora Apresentação
03/12 10.30
10.50
11.10
11.30
11.50
08/12 10.30
10.50
11.10
11.30
11.50
inf05010/2025-2-trabalhos.txt · Esta página foi modificada pela última vez em: 2025/10/01 09:33 (Edição externa)