Submitted by Automa??o e Estat?stica (sst@bczm.ufrn.br) on 2016-01-05T18:01:11Z No. of bitstreams: 1 EvertonSanti_TESE.pdf: 601652 bytes, checksum: 52767a19768856b40fcce8bb5611ef4b (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2016-01-11T18:20:39Z (GMT) No. of bitstreams: 1 EvertonSanti_TESE.pdf: 601652 bytes, checksum: 52767a19768856b40fcce8bb5611ef4b (MD5) / Made available in DSpace on 2016-01-11T18:20:39Z (GMT). No. of bitstreams: 1 EvertonSanti_TESE.pdf: 601652 bytes, checksum: 52767a19768856b40fcce8bb5611ef4b (MD5) Previous issue date: 2014-11-14 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior - CAPES / Apresenta-se neste trabalho um novo modelo para o Problema das p-Medianas Heterog?neo (PPMH), proposto para recuperar a estrutura de categorias n?o-observadas presente em dados oriundos de uma tarefa de triagem, uma abordagem popular que possibilita entender a percep??o heterog?nea que um grupo de indiv?duos tem em rela??o a um conjunto de produtos ou marcas. Este novo modelo ? chamado Problema das p-Medianas Heterog?neo Livre de Penalidade (PPMHLP), uma vers?o mono-objetivo do problema original, o PPMH. O par?metro principal do modelo PPMH ? tamb?m eliminado, o fator de penalidade. Este par?metro ? respons?vel pela pondera??o dos termos de sua fun??o objetivo. O ajuste do fator de penalidade controla a maneira como o modelo recupera a estrutura de categorias n?o-observadas presente nos dados e depende de um amplo conhecimento do problema. Adicionalmente, duas formula??es complementares para o PPMHLP s?o apresentadas, ambas problemas de programa??o linear inteira mista. A partir destas formula??es adicionais, limitantes inferiores foram obtidos para o PPMHLP. Estes valores foram utilizados para validar um algoritmo de Busca em Vizinhan?a Variada (VNS), proposto para resolver o PPMHLP. Este algoritmo obteve solu??es de boa qualidade para o PPMHLP, resolvendo inst?ncias geradas de forma artificial por meio de uma Simula??o de Monte Carlo e inst?ncias reais, mesmo com recursos computacionais limitados. As estat?sticas analisadas neste trabalho sugerem que o novo algoritmo e modelo, o PPMHLP, pode recuperar de forma mais precisa que o algoritmo e modelo original, o PPMH, a estrutura de categorias n?o-observadas presente nos dados, relacionada ? percep??o heterog?nea dos indiv?duos. Por fim, uma exemplo de aplica??o do PPMHLP ? apresentado, bem como s?o consideradas novas possibilidades para este modelo, estendendo-o a ambientes fuzzy / This work presents a new model for the Heterogeneous p-median Problem (HPM), proposed to recover the hidden category structures present in the data provided by a sorting task procedure, a popular approach to understand heterogeneous individual?s perception of products and brands. This new model is named as the Penalty-free Heterogeneous p-median Problem (PFHPM), a single-objective version of the original problem, the HPM. The main parameter in the HPM is also eliminated, the penalty factor. It is responsible for the weighting of the objective function terms. The adjusting of this parameter controls the way that the model recovers the hidden category structures present in data, and depends on a broad knowledge of the problem. Additionally, two complementary formulations for the PFHPM are shown, both mixed integer linear programming problems. From these additional formulations lower-bounds were obtained for the PFHPM. These values were used to validate a specialized Variable Neighborhood Search (VNS) algorithm, proposed to solve the PFHPM. This algorithm provided good quality solutions for the PFHPM, solving artificial generated instances from a Monte Carlo Simulation and real data instances, even with limited computational resources. Statistical analyses presented in this work suggest that the new algorithm and model, the PFHPM, can recover more accurately the original category structures related to heterogeneous individual?s perceptions than the original model and algorithm, the HPM. Finally, an illustrative application of the PFHPM is presented, as well as some insights about some new possibilities for it, extending the new model to fuzzy environments