| Código |
18145
|
| Ano |
1
|
| Semestre |
S2
|
| Créditos ECTS |
6
|
| Carga Horária |
T(30H)/TP(30H)
|
| Área Científica |
MECÂNICA COMPUTACIONAL
|
|
Objectivos de Aprendizagem |
Desenvolver competências para a formulação e resolução de problemas complexos de decisão, utilizando métodos quantitativos baseados em técnicas de otimização, análise de redes e simulação. Preparar os estudantes para aplicar modelos matemáticos e algoritmos a contextos de engenharia e sua gestão, promovendo a análise crítica e a eficiência na tomada de decisões. Abordar tópicos como programação linear e não linear, otimização de redes, teoria das filas, heurísticas e meta-heurísticas, enfatizando a integração de tecnologias emergentes na tomada de decisão baseada em algoritmos de inteligência artificial e em ferramentas de apoio computacional. Fomentar a habilidade de interpretar resultados e propor soluções fundamentadas, considerando cenários práticos e constrangimentos
reais.
|
|
Conteúdos programáticos |
1. Otimização: Programação linear (método gráfico, algoritmo simplex, análise de sensibilidade), não linear (métodos numéricos básicos).
2.Redes e Grafos: Fluxo máximo, caminho mais curto, árvore geradora mínima.
3. Teoria de filas de Espera: Modelos M/M/1, M/M/m, redes de filas, simulação de desempenho.
4. Simulação Computacional: Estruturação de modelos, geração de variáveis aleatórias, análise de resultados.
5. Otimização Numérica: Projeto sem restrições (busca linear, método da seção áurea, gradiente conjugado, BFGS); Otimização metaheurística (Simulated Annealing).
6. Meta-heurísticas: Algoritmos genéticos, otimização por enxame de partículas, busca tabu.
7. Tomada de decisão baseada em algoritmos de inteligência artificial.
|
|
Metodologias de Ensino e Critérios de Avaliação |
Critérios de avaliação:
Trabalho de análise e síntese (TAS): 5 valores (25%);
Exercícios (EX): 5 valores (25%);
Projeto Final (PF): 5 valores (25%);
Prova de avaliação escrita individual (PA): 5 valores (25%).
Fórmula de cálculo da classificação final (ensino-aprendizagem e épocas de exame):
Nota Final = (0,25xTAS)+(0,25xEX)+(0,25xPF)+(0,25xPA)
Onde: TAS= Nota do TAS; EX=Notas dos exercícios das listas de exercícios; PF=Nota do projeto final; PA=Nota da prova de avaliação
escrita individual.
Assiduidade: 75
Classificação mínima de ensino-aprendizagem: 6
|
|
Bibliografia principal |
-Gaspar, P.D., Lima, T.M. (2020). Caderno Teórico de Métodos Quantitativos de Apoio à Decisão-Diapositivos de acompanhamento e apoio às aulas, Dept. de Eng. Electromecânica, Universidade da Beira Interior, Covilhã.
-Hillier, F.S., Lieberman, G.J. (2014). Introduction to Operations Research, 10th Ed. McGraw-Hill.
-Marakas, G.M. (2002). Decision Support Systems, 2nd Ed., PrenticeHall, 2002.
-Keller, J.M., Liu, D., Fogel, D.B. (2016). Fundamentals of computational intelligence: neural networks, fuzzy systems, and evolutionary computation. Wiley.
-Law, A.M. (2024). Simulation Modeling and Analysis. McGraw-Hill.
-Goodwin, P., Wright, G. (2014). Decision Analysis for Management Judgment, 5th Ed., Wiley.
-Belton, V., Stewart, T. (2002). Multiple Criteria Decision Analysis: An Integrated Approach. Springer.
-Hammond, J.S. Keeney, R.L., Howard Raiffa, H. (2015). Smart Choices: A Practical Guide to Making Better Decisions. Harvard Business Review Press.
-Scientific papers in Scopus and WOS
|
| Língua |
Português
|