uma nova abordagem na resolução do problema do caixeiro viajante

More documents

Recommendations

Info

BUDINICH, M., A Self-Organizing Neural Network for the Traveling Salesman problem that is competitive with Simulated Annealing. Neural Computing, v. 8, n. 2, p. 416-424, fev. 1996. BURKE, E.K.; COWLING, P.I.; KEUTHEN, R., Effective Local and Guided variable neighborhood Search Methods for the Asymmetric Traveling Salesman Problem. In: Evolutionary Computing Workshop, 2001, Como, Italy: Applications of Evolutionary Computing - EvoWorkshop 2001, Springer Verlag: Lecture Notes on Computer Science, v. 2037, n. 1, p. 203-212. CARRASCO, M.P.; PATO, M.V., A comparison of discrete and continuous neural network approaches to solve the class/teacher timetabling problem. European Journal of Operational Research, v. 153, n. 1, p. 65-79, fev. 2004. CHOI, I.C.; KIM, S.I.; KIM, H.S., A genetic algorithm with a mixed region search for the asymmetric traveling salesman problem. Computers & Operations Research, v. 30, n. 5, p. 773-786, abr. 2003. CHRISTOFIDES, N., Graph Theory: an algorithmic approach. Academic Press: New York, 1975. CHU, P.C.; BEASLEY, J.E., A genetic algorithm for the generalized assignment problem. Computers and Operational Research, v. 24, n. 1, p. 17-23, jan. 1997. CHU, S.C.; RODDICK, J.F.; PAN, J.S., Ant colony system with communication strategies. Information Sciences, v. 167, n. 1-4, p. 63-76, dez. 2004. COCHRANE, E.M., BEASLEY, J.E., The Co-Adaptive Neural Network Approach to the Euclidean Travelling Salesman Problem. Neural Networks, v. 16, n. 10, p. 1499-1525, dez. 2003. COPPINI, G.; DICIOTTI, S.; VALLI, G., Matching of medical images by self-organizing neural networks. Pattern Recognition Letters, v. 25, n. 3, p. 341-352, fev. 2004. COTTRELL, M., FORT, J.C., PAGÈS, G., Theoretical aspects of the SOM algorithm. Neurocomputing, v. 21, n. 1-3, p. 119-138, nov. 1998. DELGADO, M.L.P; MARTÍN, Q.M., Diseño de una red neuronal autoasociativa para resolver el problema de viajante de comercio (Traveling Salesman Problem, TSP). In: Congreso Nacional de Estadística e Investigación Operativa, 27., 2003, Lleida: Proceedings of 27º Congreso Nacional de Estadística e Investigación Operativa.
DORIGO, M.; GARAMBARDELLA, L.M., Ant Colonies for the Traveling Salesman Problem. Biosystems, v. 43, n. 2, p. 73-81, jul. 1997a. DORIGO, M.; GARAMBARDELLA, L.M., Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem. IEEE Transations on Evolutionary Computation, v. 1, n. 1, p. 53-66, abr. 1997b. FAUSETT, L., Fundamentals of Neural Networks. New Jersey: Prentice Hall, 1994. FENG, G.; DOULIGERIS, C., Using Hopfield Networks to solve Traveling Salesman Problems based on Stable State Analysis Technique. In: International Joint Conference on Neural Networks, 2000, Como, Italy: Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks - IJCNN 2000, IEEE press, v. 6, p. 521-526. FLANAGAN, J. A., Self-organization in Kohonen SOM´s. Neural Netwkors, v. 9, n. 7, p. 1185-1197, out. 1996. FLECK, E.; SANTOS, R.A.; PEDREIRA, C.E.; SOUZA, E.M., Modelagem de agrupamento de dados sísmicos usando mapas de Kohonen. In: International Congress of The Brazilian Geophysical Society, 8., 2003, Rio de Janeiro: Proceedings of the Eighth International Congress of The Brazilian Geophysical Society. GENDREAU, M.; LAPORTE, G.; SEMET, F., A tabu search heuristic for the undirected selective traveling salesman problem. European Journal of Operational Research, v. 106, n. 2-3, p. 539-545, abr. 1998. GHAZIRI, H.; OSMAN, I.H., A neural network algorithm for the traveling salesman problem with backhauls. Computers and Industrial Engineering, v. 44 n. 2, p. 267-281, fev. 2003. GLOVER, F.; GUTIN, G.; YEO, A.; ZVEROVICH, A., Construction heuristics for the asymmetric TSP. European Journal of Operational Research, v. 129, n. 3, p. 555-568, mar. 2001. GOLDBERG, D.E. Genetic Algorithms in Search, Optimization and Machine Learning. Menlo Park, Addison-Wesley, CA, 1986. GOMES, L.C.T.; VON ZUBEN, F.J., Uma abordagem baseada em mapas Auto- Organizáveis de Kohonen aplicada ao problema de Roteamento de Veículos. In: Simpósio Brasileiro de Automação Inteligente, 5., 2001, Canela: Anais do V Simpósio Brasileiro de Automação Inteligente.
Page 1 and 2:
PAULO HENRIQUE SIQUEIRA UMA NOVA AB
Page 3 and 4:
TERMO DE APROVAÇÃO PAULO HENRIQUE
Page 5 and 6:
AGRADECIMENTOS À minha família, e
Page 7 and 8:
SUMÁRIO 1 INTRODUÇÃO............
Page 9 and 10:
LISTA DE FIGURAS FIGURA 1.1 - O PRO
Page 11 and 12:
FIGURA A2 - SOLUÇÃO PARA O PROBLE
Page 13 and 14:
RESUMO Neste trabalho são apresent
Page 15 and 16:
1 INTRODUÇÃO 1.1 DESCRIÇÕES DOS
Page 17 and 18:
dispersão entre os elementos da ma
Page 19 and 20:
ALTINEL, 1999, BUDINICH, 1996, COCH
Page 21 and 22:
penalidades similares quando os cus
Page 23 and 24:
2 REVISÃO DA LITERATURA 2.1 INTROD
Page 25 and 26:
O trabalho de Haken, Schanz e Stark
Page 27 and 28:
computacional bem inferior em compa
Page 29 and 30:
Em Wu e Chow (2004) uma nova técni
Page 31 and 32:
garantir a convergência da rede pa
Page 33 and 34:
Aleatória (Random Insertion heuris
Page 35 and 36:
A publicação de Liu et al. (2003)
Page 37 and 38:
Jin et al. (2003) mostra a aplicaç
Page 39 and 40:
CAPÍTULO III 3 RESOLUÇÃO DO PROB
Page 41 and 42:
definido no próximo Capítulo dest
Page 43 and 44:
aos estímulos recebidos dos sensor
Page 45 and 46:
Passo 3: Determine o neurônio i qu
Page 47 and 48:
E MQ 1 = v v ∑ k= 1 p k − w * 2
Page 49 and 50:
neurônio vencedor em mapas distint
Page 51 and 52:
FIGURA 3.5 - EXEMPLO DA REPRESENTA
Page 53 and 54:
grupo 4 grupo 1 grupo 2 grupo 3 gru
Page 55 and 56:
..., x1n, x21, x22, ..., x2n, ...,
Page 57 and 58: ⎛ 0 0 0 0 0 0 1 0⎞ ⎜ ⎟ ⎜
Page 59 and 60: ⎛0 0 0 0 1 0 0 0⎞ ⎜ ⎟ ⎜0
Page 61 and 62: Passo 4: Se m ≤ n, então faça m
Page 63 and 64: ⎛ 0 0 0 0 0 0 0, 9992 0 ⎞ ⎜
Page 65 and 66: Quando o ajuste Winner Takes All é
Page 67 and 68: 4 ESTUDO DE CASO 4.1 DESCRIÇÃO DO
Page 69 and 70: Passo 3: Aplique o modelo da Design
Page 71 and 72: terceira coordenada do vetor de ent
Page 73 and 74: CAPÍTULO V 5 ANÁLISES DE RESULTAD
Page 75 and 76: sempre acima de 78%, o que mostra q
Page 77 and 78: Por exemplo, o agrupamento 9 repres
Page 79 and 80: mostra a Figura 5.3. Os mapas com d
Page 81 and 82: Erro médio 40% 35% 30% 25% 20% 15%
Page 83 and 84: partir da solução inicial, encont
Page 85 and 86: Algoritmo baseado no princípio Win
Page 87 and 88: ⎛ 0 ⎜ ⎜ 0 ⎜ 0 ⎜ ⎜ 0 ⎜
Page 89 and 90: 10 8 6 4 2 0 1 10 2 3 8 9 7 0 3 6 9
Page 91 and 92: TABELA 6.2 - PROBLEMAS ASSIMÉTRICO
Page 93 and 94: TABELA 6.4 - RESULTADOS DOS EXPERIM
Page 95 and 96: FIGURA 6.5 - RESULTADOS DO PROBLEMA
Page 97 and 98: 16% 14% 12% 10% TABELA 6.6 - RESULT
Page 99 and 100: erro médio FIGURA 6.8 - QUALIDADE
Page 101 and 102: CAPÍTULO VII 7 CONCLUSÕES E TRABA
Page 103 and 104: problema) em outros problemas reais
Page 105 and 106: FIGURA A3 - SOLUÇÃO PARA O PROBLE
Page 107: REFERÊNCIAS AFFENZELLER, M.; WANGE
Page 111 and 112: KIVILUOTO, K., Topology Preservatio
Page 113 and 114: ONWUBOLU, G.C.; CLERC, M., Optimal
Page 115 and 116: VIEIRA, F.C.; DORIA NETO, A.D.; COS
show all

uma nova abordagem na resolução do problema do caixeiro viajante

Create successful ePaper yourself

Delete template?

Save as template?