Meta-heursticas para Problemas de Otimizao Combinatria

Gerardo Valdisio Rodrigues Viana

Faculdade Loureno Filho FLF
Universidade Estadual do Cear- UECE
Resumo
A teoria da complexidade mostra que para os problemas classificados como NP-completos no so
conhecidos algoritmos em tempo polinomial para resolv-los de forma generalizada e exata. Para o
tratamento destes problemas, existem algoritmos especficos que podem ser exatos no-polinomiais,
pseudopolinomiais, aproximativos e heursticos. Garey & Johnson (1979), em seu tradicional livro
Computers and Intractability, apresentam uma extensa lista de problemas pertencentes a esta classe,
cujo tratamento pelas tcnicas de aproximao citadas produzem resultados considerados satisfatrios,
no garantindo, entretanto, sua otimalidade, ou seja, a inexistncia de solues melhores. Grande parte
destes problemas envolve os chamados problemas de deciso que buscam a existncia de uma
determinada estrutura que satisfaz a uma certa propriedade e os problemas de otimizao que procuram
dentre estas estruturas qual delas tem um valor mximo ou mnimo para uma dada funo de avaliao
aplicada a esses elementos. Neste trabalho, dada uma definio formal de problema de otimizao
combinatria e uma descrio de meta-heurstica que corresponde a uma das principais tcnicas
desenvolvidas para obter uma boa soluo deste tipo de problema num tempo aceitvel.

Palavras-chave: Otimizao Combinatria, Busca Local, Meta-heursticas.

1 INTRODUO
Tcnicas de resoluo de problemas de otimizao combinatria, como programao
dinmica (MOREIRA & VIANA, 2011) e branch-and-bound (WINSTON, 1994) podem
fornecer em tempo hbil solues exatas para algumas aplicaes; quando isto no possvel
utilizam-se algoritmos aproximativos (VAZIRANI, 2011) com fatores de aproximao
conhecidos ou heursticas que consistem nos mtodos projetados nas propriedades estruturais e
nas caractersticas dos problemas que fornecem tambm solues aproximadas, porm com
complexidade reduzida em relao aos algoritmos exatos. Entre estas heursticas podem ser
citados os mtodos construtivos, os de busca local e as meta-heursticas (VIANA, 1998), que
sero detalhados nas sees seguintes.

76

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

Este trabalho est organizado assim, na seo 2 so apresentadas as definies bsicas

para entendimento dos problemas e mtodos de resoluo utilizados no texto; na seo 3 so
descritas as principais meta-heursticas atravs de seus conceitos bsicos e classificao; na
seo 4 so citadas outras meta-heursticas clssicas e suas referncias; por fim, na ltima seo
feita a concluso do trabalho.

2 DEFINIES
2.1 Problema de Otimizao Combinatria (POC)
Dados:

um conjunto finito E = { 1, 2, ... , n }

uma coleo de subconjuntos de E, F 2|E|

uma funo c: F (reais).

Obter: S* e F satisfazendo uma das condies:

c (S*) c (S), s F (para problema de maximizao)

c (S*) c (S), s F (para problema de minimizao)

sujeitas, ou no, a uma srie de restries.

Nomenclatura:

S configurao qualquer

S* melhor configurao dentre todas as solues em F (soluo tima)

F espao de configuraes (ou de solues viveis)

c funo custo ou funo objetivo

Configurao um arranjo dentro do espao F formado, portanto, por elementos dos

subconjuntos de E.

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

77

Solues Viveis so aquelas configuraes que satisfazem as condies impostas pelas

restries do problema, sendo, portanto, aquelas candidatas soluo tima ou a melhor
soluo conhecida.
Melhor corresponde ao maior valor (num problema de maximizao) ou ao menor valor
(num problema de minimizao) da funo objetivo, dentre todas as solues possveis.

2.2 Perturbao e Vizinhana

Um procedimento que transforma uma configurao si noutra sj, ambas solues viveis
do problema, chamado de perturbao (VIANA, 1998). denota-se sj = p (si), onde p o
procedimento de perturbao. na prtica p deve fazer com que sj seja uma configurao
ligeiramente modificada de si, ou seja, deve promover alteraes mnimas na estrutura da
configurao de forma rpida.
A gerao de novas configuraes, a partir de uma configurao s, define o conceito de
vizinhana n(s) cujo tamanho k (nmero de vizinhos) depende de p e s. os elementos
pertencentes a n(s) introduzem a noo de proximidade entre as solues no espao de
configuraes, no sentido de configuraes parecidas, podendo a funo objetivo aplicada a
dois elementos da mesma vizinhana n(s) = { s1 , s2 ,..., sk } terem valores discrepantes entre si,
ou seja, si sj porm c(si) # c(sj), onde o smbolo # indica ordem de grandeza distinta.

78

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

Figura 1 Vizinhana de uma configurao Si

! 8 $
& = 8 vizinhos.
" 1 %

Neste exemplo, diz-se que P linear, e K = N(S) = #

No caso do procedimento P corresponder troca de 2 bits de forma aleatria, ento P seria

! 8 $
& = 28 vizinhos.
" 2 %

quadrtica e K = N(S) = #

2.3 Algoritmos Gulosos

A construo de uma soluo gulosa (ZIVIANI, 2007) consiste em selecionar
sequencialmente elementos de F, digamos Si, de modo que se Si+1 melhor que Si, essa passa
a ser a soluo para todo i, caso contrrio Si+1 ser descartada.
Daqui em diante, sem perda de generalidade, melhor significa menor (valor mnimo),
considerando um problema de minimizao.

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

79

Um algoritmo guloso tambm chamado de mope, pois somente enxerga em sua

busca o vizinho que est mais prximo. Em geral, um algoritmo guloso encontra sempre a
mesma soluo para uma dada instncia de um problema, exceto no caso de eventuais empates.
O efeito da obteno de uma soluo gulosa chamado de intensificao, no sentido que a
tendncia encontrar um mnimo ou mximo local na vizinhana pesquisada.
Considerando um problema de minimizao para a Figura 2, diz-se que S* um mnimo
local para este espao se c(S*) c(Si ), i {1,..., k} .
Figura 2 Espao com valores da funo objetivo para algumas configuraes

2.4 Aleatorizao
Para alcanar a diversidade nas solues encontradas pode-se criar uma lista de
candidatas e forar uma escolha aleatria (WINSTON, 1994) a cada iterao. A qualidade da
soluo obtida depende da funo de randomizao utilizada e da cardinalidade da lista
procedendo a troca da melhor soluo encontrada parcialmente de forma gulosa,
eventualmente este processo, chamado de diversificao pode levar a um mnimo global
(soluo tima) ou na pior das hipteses, numa soluo melhor quando se alternam os processos
de intensificao e diversificao, de modo que so comparados vrios mnimos locais.
A Figura 3 apresenta um exemplo que compara uma estratgia gulosa cuja soluo
corresponde a um mximo local devido ao critrio de intensificao, e outra, no gulosa, ou
seja, em algum momento permite mudanas (diversificao) que pode encontrar um mximo
global.

80

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

Figura 3 Intensificao x Diversificao - Fonte: (VIANA, 1998, p.92)

2.5 Busca Local

Um espao de busca definido pelo conjunto de solues S e por uma vizinhana N.
De forma abstrata, este espao pode ser visto como uma superfcie de picos e depresses
definidos pela funo objetivo e pela proximidade (vizinhana) das solues.
A Figura 4 apresenta algumas regies (espaos de busca) cada uma com o mnimo local de
sua vizinhana. O objetivo de qualquer mtodo encontrar f * que corresponde a regio que
contm o melhor mnimo local dentre todas. A dificuldade existe porque o nmero de regies
pode crescer de forma exponencial, ou seja, se fi for o mnimo local da vizinhana N(Si) ento

f * = {min fi , i,1 i m } .

Figura 4 Espaos de Busca com indicao dos mnimos locais

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

81

Um algoritmo de busca local construdo de forma a explorar o espao de busca

(AARTS, 1997). Uma soluo inicial S0 deve ser obtida a partir de algum mtodo construtivo,
ou seja, a partida do algoritmo deve ser feita pela construo de uma soluo vivel qualquer.
Chama-se iterao a cada passo em que se busca uma melhoria sucessiva (iterativa) da
soluo atual no espao de busca. A cada iterao deve ser selecionada uma soluo qualquer da
vizinhana; o critrio de parada pode ser o primeiro timo local encontrado, ou seja, no
existe vizinho melhor. Outro critrio poderia ser um limite definido de iteraes sem
melhoria; ou se for obtido uma soluo melhor que uma alguma conhecida j praticada etc.
Elementos de um algoritmo de busca local:

Definio da vizinhana

Estratgia de busca

Simplificao da gerao de vizinhos (procedimento de perturbao simples)

Eficincia no clculo da funo objetivo, ou seja, evitar clculos repetitivos e

desnecessrios.

Dificuldades encontradas:

Trmino do algoritmo de forma prematura (aps encontrar o primeiro timo local)

Sensvel soluo da partida (S0)

Sensvel estratgia de busca

82

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

Necessidade de um nmero grande de iteraes para obter uma boa soluo.

Procedimentos teis:

Reduo da vizinhana (seleo de subconjuntos de N(S) por algum critrio)

Repetir a busca local partindo de S0 distintos, escolhidos de forma aleatria

Considerar mais de uma vizinhana, dependendo do tamanho |N(S)|.

Selecionar boas rotinas de perturbao

Todos os conceitos apresentados nesta seo so teis para o entendimento das metaheursticas definidas a seguir. Especificamente os procedimentos de perturbao, as estratgias
de intensificao e diversificao e as tcnicas de busca local so utilizadas na seo seguinte
onde evidenciado que as meta-heursticas podem ser aplicadas a qualquer problema de
otimizao combinatria.

3 META-HEURSTICAS
3.1 Definio
As meta-heursticas so procedimentos destinados a encontrar uma boa soluo de um
problema, eventualmente a tima, alternando procedimentos de intensificao e de
diversificao com o objetivo de fugir (escapar) de timos locais (GLOVER &
KOCHENBERGER, 2003). Diferenciam-se, entre si, pelo critrio de escolha da soluo inicial,
da definio da vizinhana, da forma de seleo do vizinho e do critrio de parada; pode-se
dizer que uma de suas principais caractersticas ser de uso geral, no sentido que podem ser
adaptadas para resolver problemas diversos, diferentemente das heursticas simples que so
especficas para um dado problema.

Outras caractersticas das meta-heursticas:

adaptam-se s instncias especiais dos problemas
alternam o uso da estrutura de dados em funo dessas instncias
contm boas tcnicas para construir solues iniciais.

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

83

procedem melhoria das solues parciais utilizando uma heurstica de busca local
(intensificao)
fazem uma randomizao controlada
diversificam a busca de forma dinmica, ou seja, a rotina de diversificao varia de
acordo com a evoluo do algoritmo
utilizam funes de avaliao (funo objetivo) de forma eficiente
em geral, o tempo computacional necessrio para obter uma boa soluo bem maior
que as heursticas simples, podendo ser controlado por nmero de iteraes e/ou outros critrios
de parada.

3.2 Classificao das meta-heursticas

Os procedimentos utilizados pelas meta-heursticas e suas estratgias de busca permitem
classific-las assim:
a) Meta-heursticas Construtivas estabelecem estratgias para a construo de uma
soluo, geralmente gulosa, formada por um processo iterativo de modo a obter melhores
resultados imediatos possveis.
Exemplo: GRASP (Greedy Randomized Adaptative Search Procedure)
b) Meta-heursticas de Busca de Entornos utilizam procedimentos que percorrem
espao de busca levando em considerao, em cada passo, a vizinhana da soluo atual
praticada. Uma estrutura de entorno grande tende a diminuir o desempenho de cada iterao
(aumentando o tempo total de execuo), por outro lado, se a diversificao baixa pode
conduzir a piores solues. Deve-se ento calibrar a MH de modo a utilizar um meio termo.
Exemplos: VNS (Variable Neighbourhood Search), GLS (Guided Local Search), SA
(Simulated Annealing) e TS (Tabu Search).
c) Meta-heursticas Evolutivas trabalham com uma populao (conjunto de solues)
que evolui a cada iterao. Procura preservar as caractersticas que melhorem a qualidade mdia
das solues em cada gerao sem comprometer a diversidade dentro da populao.
Exemplos: GA (Genetic Algorithms), MA (Memetic Algorithms) e SS (Scatter Search).

84

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

d) Meta-heursticas de Relaxao realizam alteraes na modelagem original do

problema a fim de construir um problema mais simples (relaxado) cuja soluo pode ser
encontrada com eficincia fornecendo informaes para que a a soluo do problema original
seja obtida.
Exemplo: Relaxao Langrangeana
e) Meta-heursticas Hbridas referem-se quelas que se enquadram de forma
intermediria entre mais de um tipo de meta-heurstica (MH), em geral utilizam recursos de uma
ou mais heursticas. Algumas das MHs anteriores podem tambm ser assim classificadas.
Exemplo: ACO (Ant Colony Optimization), Memetic Algorithm e Logic Fuzzy.

DESCRIO DAS PRINCIPAIS META-HEURSTICAS

4.1 Busca Tabu ( TS Tabu Search)

um procedimento heurstico utilizado para guiar um algoritmo de busca local a fim de
encontrar boas aproximaes para a soluo tima de qualquer problema de otimizao
combinatria (GLOVER & LAGUNA, 1997).
Tem por base trs princpios:
1. uso de um FILA para guardar o histrico da evoluo do processo de busca
2. uso de um mecanismo de controle (TABU) que faz o balanceamento entre a aceitao
ou no, de uma nova configurao, referentes s restries e aspiraes desejadas
3. incorpora procedimentos que alternam as estratgias de diversificao e intensificao.
A Figura 5 apresenta o algoritmo para a meta-heurstica Busca Tabu. Os procedimentos
existentes realizam as seguintes funes:
Generate Initial Solution gera uma soluo inicial s de forma aleatria, considera-a
como a melhor ento conhecida.

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

85

Generate_Admissible_Solutions gera uma vizinhana de s, denominando-a de A=N(s).

Select_Best_Solution seleciona a melhor soluo desta vizinhana A. Caso o tamanho
|N(s)| seja elevado, pode ser explorada parte dela atravs de um parmetro limitante do nmero
de vizinhos nv N(s) .
Update_Memory_Structures atualiza a fila Tabu. Em geral, o tamanho desta fila varia de
7 a 14 elementos e tem por objetivo guardar as melhores solues parciais encontradas durante a
evoluo do processo a fim de evitar que seja reutilizada uma regio j explorada.

Figura 5 Algoritmo Busca Tabu Fonte: (STTZLE, 1998, p. 28)

4.2 Tmpera Simulada ( SA Simulated Annealing)

O termo origina-se do processo fsico de temperamento que consiste em submeter certas
metas inicialmente a altas temperaturas e reduzi-las gradualmente (variaes de energia) at

86

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

atingir o equilbrio trmico, tornando-se consistentes e rgidos (van LAARHOVEN & AARTS,
1987).
Para alternar os procedimentos de intensificao e diversificao num problema de
minimizao utilizam-se os testes (aceitao de uma nova soluo S):

S melhor que S, ou seja, f (S ') < f (S*) ou

S pior que S, porm = e

f (S ) f (S ')
T

> random(0,1)

Onde T o parmetro de controle de temperatura e critrio de Metropolis (VIANA,

1998) que corresponde a um fator de probabilidade de aceitao. Este critrio estabelece que se
o valor de T for alto (incio) permitem muitos movimentos de diversificao e a medida que T
reduz [Ti = Ti-1, 0 < < 1] a maioria destes movimentos sero rejeitados.
Observa-se que se pequeno o resfriamento rpido e em geral a soluo no boa.
Se grande o processo torna-se lento comprometendo o tempo de execuo.
O valor inicial de T0 pode ser calculado em funo de valores de f (S). JOHNSON et
+
+
al. (1987) sugerem T0 = 4.40E , onde E corresponde mdia aritmtica dos k termos

em que E > 0 , sendo E = f (S ') f (S) e 1 k .

A Figura 6 apresenta o algoritmo para a meta-heurstica Simulated Annealing.

Figura 6 Algoritmo Simulated Annealing Fonte: (STTZLE, 1998, p. 30)

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

87

Os procedimentos existentes realizam as seguintes funes:

Generate Initial Solution gera uma soluo inicial s de forma aleatria, considera-a
como a melhor ento conhecida.
Generate_Random_Solution gera uma soluo vivel s de forma aleatria a partir de s.
Accept_Solution aceita a soluo atual de acordo com o critrio de Metropolis que
conforme citado anteriormente uma probabilidade definida como segue:

4.3 Algoritmo Gentico ( GA Genetic Algorithm)

Baseia-se nos processos observados na evoluo natural das espcies. Parte de uma
populao inicial de indivduos (configuraes iniciais do problema), faz a avaliao de cada
um (valores da funo objetivo), seleciona os melhores e promove manipulaes genticas

88

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

(cruzamentos e mutaes) que correspondem s pertubaes, a fim de criar uma nova populao
(HOLLAND, 1975).
Os AGs trabalham unicamente com os valores das funes objetivo, de modo que,
claramente percebe-se que esta MH de uso geral, ou seja, o que muda de uma aplicao para
outra a forma de clculo da funo objetivo e uma adaptao da estrutura de dados
conveniente para armazenar as configuraes (GOLDBERG, 1989).
Os elementos necessrios para construo de um algoritmo gentico so:
escolher a forma de representar os cromossomos (configurao de uma soluo vivel)
gerar a populao inicial (o tamanho da populao um parmetro de entrada)
avaliar os indivduos da populao [c(S)]
reproduzir os melhores indivduos (seleo) (uso de uma roleta viciada)
realizar e definir cruzamentos (crossover)
realizar e definir mutaes (perturbaes)
A Figura 7 apresenta o algoritmo para a meta-heurstica Algoritmo Gentico. Os
procedimentos existentes realizam as seguintes funes:
Generate Initial Population gera uma populao inicial POP de forma aleatria e calcula
os valores da funo objetivo para todos seus elementos.
Local Search (p) localiza a melhor configurao dentro da populao POP e seleciona os
melhores elementos da populao, eliminando os piores, redefinindo uma nova populao p.
Recombination recombina os elementos de p atravs de procedimentos conhecidos como
cruzamentos, gerando uma nova populao p.
Mutation altera elementos de p atravs do processo de mutao que corresponde a uma
perturbao, gerando uma nova populao p.
Local Search (p, p ) seleciona os melhores elementos de p e p, eliminando os
piores, gerando uma nova populao p.
Selection ( p, p ) seleciona o melhor elemento de p e p, candidato a soluo e
atualiza a populao p para a prxima gerao (iterao).

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

89

Figura 7 Algoritmo Gentico Fonte: (STTZLE, 1998, p.32)

4.4 GRASP (Greedy Randomized Adaptive Search Procedure)

Combina um mtodo construtivo de busca local com um procedimento iterativo com
iteraes independentes (FEO & RESENDE, 1995).
A fase construtiva um processo iterativo tambm que parte de uma soluo vazia e
acrescenta elementos sem torn-la invivel criando um subconjunto dos elementos que causam
menor aumento de custo (aspecto guloso da MH); a seguir seleciona-se aleatoriamente um
elemento desse subconjunto, incorporando-o s solues parciais (PITSOULIS & RESENDE,
2002).
A Figura 8 apresenta o algoritmo para a meta-heurstica GARSP. Os procedimentos
existentes realizam as seguintes funes:
Construct_Greedy_Randomized_Solution constri uma soluo para o problema usando
um algoritmo guloso conhecido. Em geral os candidatos soluo s so gerados parte pela
heurstica gulosa e completada de forma aleatria.

90

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

Local Search (s) localiza a melhor configurao s da vizinhana de s atravs de um

procedimento de busca local.
Figura 8 Algoritmo GRASP Fonte: (STTZLE, 1998, p.33)

4.5 Outras meta-heursticas

As meta-heursticas aqui citadas e no referenciadas so facilmente localizada atravs de
vrios artigos e aplicaes. STTZLE (1998) em seu trabalho descreve algumas delas:

Colnia de Formigas (ACO Ant Colony Optimization)

Decomposio (mtodos construtivos + relaxao)

Extreme Optimization

FANS (Fuzzy Adaptive Neighborhood Search)

Busca Local Guiada (GLS Guided Local Search)

ILS (Iterated Local Search)

RSO (Reactive Search Optimization)

Busca Dispersa (SS Scatter Search)

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

91

VNS (Variable Neighborhood Search) e suas variantes VND (Descent), BVNS

(Basic), RVNS (Reduced) e GVNS (General).

5 CONCLUSO
As meta-heursticas so ferramentas importantes na resoluo de problemas de otimizao
combinatria, em geral so os mtodos que obtm melhores resultados, com um tempo de
execuo um pouco mais dilatado que as heursticas, mas certamente admissvel para obter
solues bem aproximadas.
Uma grande dificuldade do uso das MH sua calibrao, pois os parmetros de entrada
devem estar bem definidos para que a soluo seja obtida em tempo rpido e com boa
qualidade.
O uso de programao paralela um aliado na melhoria da performance das MHs
especialmente em relao ao tempo de execuo. Diversos trabalhos foram publicados para
resolver problemas clssicos de otimizao combinatria, parte deles usando paralelismo
(VIANA, 1998).
Novas MHs podem ser criadas utilizando novas ideias para balanceamento dos processos
de intensificao e diversificao aliados a uma boa estratgia de busca.

Metaheuristics for Combinatorial Optimization Problems

Abstract
The complexity theory shows that for problems classified as NP-complete are not known polynomialtime algorithms to solve them in a general and exact form. For the treatment of these problems there are

92

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

specific algorithms that can be non-polynomial, pseudo-polinomial, approximate and heuristic. Garey &
Johnson (1979), in his traditional book "Computer and Intractability", present a long list of problems
belonging to this class whose treatment by approximation techniques mentioned produce satisfactory
results, not guaranteeing, however, its optimality or if there is better solution. Most of these problems
involve the so-called decision problems seeking the existence of a particular structure that satisfies a
certain property and optimization problems which seek among these structures which one has a maximum
or minimum value for a given evaluation function applied to these elements. In this article is given a
formal definition of combinatorial optimization problem and a description of metaheuristics that
correspond to one of the main techniques developed to obtain a good solution of this problemin an
acceptable time.

Keywords: Combinatorial Optimization. Local Search. Metaheuristics.

Referncias
AARTS, E.H.L. and LENSTRA, J. K. Local Search in Combinatorial Optimization.
USA: John Wiley & Sons, 1997.
DASGUPTA, S., PAPADIMITRIOU, C. and VAZIRANI, U. Algorithms. McGraw-Hill Higher
Education, 2008.
FEO, T.A. and RESENDE, M.G.C. Greedy Randomized Adaptive Search Procedures.
In Journal of Global Optimization, v.6, p.109-133, 1995.
GAREY, M.R. and JOHNSON, D.S. Computers and Intractability: A Guide to the Theory of
NP-Completeness, USA: W.H. Freeman and Company, 1979.
GLOVER, F. and KOCHENBERGER, G. Handbook of Metaheuristics. USA: Kluwer
Academic Publishers, 2003.
GLOVER, F. and LAGUNA, M.. Tabu Search. London: Kluwer Academic Publishers, 1997.
GOLDBERG, D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. USA:
Addison-Wesley, 1989.
HOLLAND, J. H. Adaptation in Natural and Artificial Systems. USA: The University of
Michigan Press, 1975.
JOHNSON, D.S, ARAGON, C.R., McGEOCH, L.A. and SCHEVON, C. (1987). Optimization
by Simulated Annealing: an Experimental Evaluation. USA: AT&T Bell Laboratories.
van LAARHOVEN, P.J.M. and AARTS, E.H.L. Simulated Annealing, Theory and
Applications. USA: Kluwer Academic Publishers, 1987.

Revista Cientfica da Faculdade Loureno Filho - v.9, n.1, 2013

93

MOREIRA, F.V.C. e VIANA, G.V.R. Tcnicas de Diviso e Conquista e de Programao

Dinmica para a Resoluo de Problemas de Otimizao. Revista Cientfica da Faculdade
Loureno Filho, v.8, n.1, p.5-28. Fortaleza: FLF.EDU, 2011.
PITSOULIS, L. and M. G. C. Resende. Greedy Randomized Adaptive Search Procedures
Handbook of Applied Optimization, p.168181. England: Oxford University Press, 2002.
STTZLE, T. G.Local Search Algorithms for Combinatorial Problems: Analysis,
Improvements and New Applications. German: Technischen Universitt Darmstadt, 1998.
VIANA, G. V. R. Meta-heursticas e Programao Paralela em Otimizao Combinatria.
Fortaleza: Edies UFC, 1998.
VAZIRANI, V.V. Approximation Algorithms. Berlim: Springer-Verlag, 2011.
WINSTON, W.L. Operations Research: Applications and Algorithms. USA: International
Thomson Publishing, 1994.
ZIVIANI, N. Projeto de Algoritmos com implementaes em Pascal e C. So Paulo: Editora
Thomson, 2007.

Gerardo Valdisio Rodrigues Viana

Bacharel em Engenharia Mecnica UFC
Licenciado em Matemtica UECE
Mestre em Cincia da Computao UFC
Doutor em Cincia da Computao UFC/USP
e-mail: valdisio.viana@uece.br