Luciana Assis

Multiobjective vehicle routing problem with fixed delivery and optional collections

We present an adaption on the formulation for the vehicle routing problem with fixed delivery and optional collections, in which the simultaneous minimization of route costs and of collection demands not fulfilled is considered. We also propose a multiobjective version of the iterated local search (MOILS). The performance of the MOILS is compared with the

Grapphia: Aplicativo para Dispositivos Móveis para Auxiliar o Ensino da Ortografia

\epsilon

Analysis of selection and crossover methods used by genetic algorithm-based heuristic to solve the LSP allocation problem in MPLS Networks under capacity constraints

-constrained (

Detecção de Estilos de Aprendizagem em Ambientes Virtuais de Aprendizagem Utilizando Redes Bayesianas

P_{\epsilon }

Uma Nova Abordagem para Aplicação de Reforço em Sistemas Automáticos e Adaptativos de Detecção de Estilos de Aprendizagem

) ILS, the NSGA-II and the indicator-based multi-objective local search methods in the solution of 14 problem instances containing between 50 and 199 customers plus the depot. The results indicate that the MOILS outperformed the other approaches, obtaining significantly better average values for coverage, hypervolume and cardinality.

UMA ABORDAGEM COMPUTACIONAL PARA DETECÇÃO AUTOMÁTICA DE ESTILOS DE APRENDIZAGEM UTILIZANDO MODELOS OCULTOS DE MARKOV

This article proposes the using of Exponentially Weighted Moving Average (EWMA) in Learning Styles Detection process proposed by [Dorça 2012]. The aim of the use of EWMA in this process is to valorize the early results to make the algorithm detect the students’ learning styles faster. The results and statistical analysis indicate that the method presented in this article can detect LS faster than the other methods found in the literature. Resumo. Este trabalho propõe a utilização do conceito de Média Móvel Exponencialmente Ponderada (MMEP) no processo de detecção e correção de Estilos de Aprendizagem (EAs) proposto por [Dorça 2012]. O objetivo da utilização desse conceito é valorizar bons resultados encontrados em sessões de aprendizagem anteriores de maneira a permitir que o algoritmo detecte os EAs do estudante mais rapidamente. Os resultados e análises estatísticas mostram que o método apresentado neste trabalho é capaz de detectar os EAs do estudante de forma mais rápida que os demais métodos encontrados na literatura.