Saltar para:
Logótipo
Comuta visibilidade da coluna esquerda
Você está em: Início > 2MDA07
Mapa das Instalações
Edifício Principal | Main Building Edifício Pós-Graduações | Post-Graduate Building

Otimização

Código: 2MDA07     Sigla: OTM

Áreas Científicas
Classificação Área Científica
OFICIAL Estudos de Gestão

Ocorrência: 2020/2021 - 2S Ícone do Moodle

Ativa? Sim
Curso/CE Responsável: Mestrado em Modelação, Análise de Dados e Sistemas de Apoio à Decisão

Ciclos de Estudo/Cursos

Sigla Nº de Estudantes Plano de Estudos Anos Curriculares Créditos UCN Créditos ECTS Horas de Contacto Horas Totais
MADSAD 34 Plano Oficial - a partir de 2020/2021 1 - 6 42 162

Docência - Responsabilidades

Docente Responsabilidade
Dalila Benedita Machado Martins Fontes Regente

Docência - Horas

Teorico-Prática: 3,00
Tipo Docente Turmas Horas
Teorico-Prática Totais 1 3,00
Seyed Mahdi Homayouni 1,50
Dalila Benedita Machado Martins Fontes 1,50

Língua de trabalho

Inglês

Objetivos

Objetivos:

  • Introduzir os problemas de otimização combinatória, bem como a distinção entre métodos exatos e métodos heurísticos.

  • Apresentar os principais conceitos relativos a programação linear inteira.

  • Apresentar os principais conceitos relativos ao método Branch-and-Bound.
  • Apresentar os principais conceitos relativos a heurísticas construtivas.

  • Apresentar os principais conceitos relativos a vizinhança e pesquisa local.

  • Apresentar os principais conceitos relativos a metaheurísticas.

  • Apresentar as versões básicas das metaheurísticas Simulated Annealing, Tabu Search e Algoritmos Genéticos.

Resultados de aprendizagem e competências

Após completar esta unidade curricular, o estudante deverá ser capaz de:

  • Formular um problema por via de um modelo de programação linear inteira.

  • Utilizar o Excel para resolver um modelo de programação linear inteira por via do método Branch-and-Bound.

  • Formular uma heurística construtiva para um problema de otimização combinatória.

  • Formular uma vizinhança para um problema de otimização combinatória.

  • Descrever os principais conceitos relativos a metaheurísticas, incluindo os conceitos de diversificação e intensificação.

  • Descrever os principais componentes das metaheurísticas Simulated Annealing, Tabu Search e Algoritmos Genéticos.

  • Estabelecer relações e propôr sinergias entre metaheurísticas.

Modo de trabalho

Presencial

Programa

Programa:

  • Introdução à Otimização Combinatória

  • Métodos Exatos

    • Programação Linear Inteira

    • O Método Branch-and-Bound

  • Métodos Heurísticos

    • Heurísticas Construtivas

    • Vizinhança

    • Pesquisa Local

    • Introdução às Metaheurísticas

    • Simulated Annealing

    • Tabu Search

    • Algoritmos Genéticos

Bibliografia Obrigatória

Gendreau Michel 340; Handbook of metaheuristics. ISBN: 978-1-4419-1663-1
Nemhauser, George L.; Wolsey, Laurence A.; Integer and Combinatorial Optimization, Wiley

Métodos de ensino e atividades de aprendizagem

Métodos de ensino e atividades de aprendizagem:

  • Exposição teórica.

  • Exemplos ilustrativos.

Software

Microsoft Excel

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação Peso (%)
Teste 50,00
Trabalho escrito 50,00
Total: 100,00

Componentes de Ocupação

Designação Tempo (Horas)
Estudo autónomo 40,00
Trabalho escrito 80,00
Frequência das aulas 42,00
Total: 162,00

Obtenção de frequência

Todos os estudantes inscritos podem realizar o exame final.

Fórmula de cálculo da classificação final

Época Normal

Na época normal apenas existe o regime de avaliação distribuída, não existindo assim avaliação apenas por exame final.

O regime de avaliação distribuída consiste em:

  • Trabalho(s) de grupo referente(s) a Métodos Exatos. Ponderação na classificação final: 20%.

  • Trabalho(s) de grupo referente(s) a Métodos Heurísticos. Ponderação na classificação final: 30%.

  • Teste final. Ponderação na classificação final: 50%.

Todos os trabalhos, bem como o teste, são necessários para obter aprovação pelo regime de avaliação distribuída. Assim, um estudante não pode obter aprovação à unidade curricular por via do regime de avaliação distribuída se não fizer o teste, ou qualquer um dos trabalhos de grupo.

No teste, bem como em cada trabalho, existe uma classificação mínima de 6.0. Assim, se um estudante obtiver uma classificação inferior a 6.0 no teste, ou em qualquer dos trabalhos, esse estudante não obterá aprovação à unidade curricular pelo regime de avaliação distribuída, independentemente da média ponderada dos diversos elementos de avaliação.

Época de Recurso

Na época de recurso apenas existe avaliação por exame final.

Se um estudante tiver realizado todos os trabalhos do regime de avaliação distribuída, a classificação dos trabalhos será tida em conta no cálculo da classificação final, se tal melhorar a classificação final. Neste caso, a classificação final será calculada de forma similar à do regime de avaliação distribuída (o exame substitui o teste final). Caso a classificação dos trabalhos não melhore a classificação final, a classificação final será igual à do exame.

Melhoria de classificação

Um estudante que obtenha aprovação por via de exame final apenas poderá melhorar a classificação por via de exame final. Um estudante que obtenha aprovação, na época normal, por via de avaliação distribuída, pode melhorar a classificação do teste da época normal realizando o exame da época de recurso imediatamente seguinte. As classificações de trabalhos não podem ser melhoradas.

Recomendar Página Voltar ao Topo
Copyright 1996-2024 © Faculdade de Economia da Universidade do Porto  I Termos e Condições  I Acessibilidade  I Índice A-Z  I Livro de Visitas
Página gerada em: 2024-06-16 às 01:46:30 | Política de Utilização Aceitável | Política de Proteção de Dados Pessoais | Denúncias
SAMA2