Esta tese integra dois problemas de áreas distintas e interdependentes intitulados de Sequenciamento Otimizado de Faturamento (SOF) e Sequenciamento Otimizado de Coleta (SOC). Abordados de forma disjunta pelos pesquisadores, o SOF refere-se a um problema de maximização do faturamento e o SOC consiste de uma variação do Order Batching and Sequencing Problem (OBSP). Fundamentados por pressupostos práticos e científicos, o SOF/SOC retratam o cotidiano dos processos de faturamento e picking de um típico Armazém de Distribuição (AM). No SOF a demanda é estocástica e os faturamentos ocorrem a partir de janelas de tempo variáveis ajustadas para evitar o tardiness mediante a priorização das datas de atendimento pela regra Earliest Due Date (EDD). No SOC o picking é manual e enquadra-se na categoria picker-to-parts (low level) com pick-and-sort utilizando um trolley que é transportado pelo operador ao longo das ruas do AM. Neste contexto, esta tese tem como objetivo desenvolver uma ferramenta de gestão que integre e apresente soluções otimizadas para o SOF/SOC. A perspectiva de integração do SOF/SOC dar-se-á mediante à formulação de dois Algoritmos Genéticos (AGs) nomeados de AG-SOF e AG-SOC. Assim, o enfoque desta pesquisa está na avaliação da eficácia prática do AG-SOF/AG-SOC em resolver problemas reais do SOF/SOC. A eficácia do AG-SOF é comparada à um Algoritmo Guloso Iterativo (AI-SOF) enquanto que a predileção pelo AG-SOC é justificada pela natureza NP-hard do SOC. As experimentações para problemas de diferentes níveis de complexidade demonstraram que os algoritmos satisfazem todas as regras, restrições e variáveis decisórias obtendo soluções de qualidade satisfatória para qualquer categoria do SOF/SOC. O AISOF/ AG-SOF lidam com as restrições de estoque e as possibilidades de faturar pedidos parciais para maximizar o Faturamento Total (FT). Apesar de obterem soluções com a mesma qualidade, o AI-SOF tem desempenho superior ao AG-SOF que é, em termos de Tempo de Processamento Computacional (TPC), limitado às categorias de médio porte do SOF. O AG-SOC é composto pela iteração de dois AGs (AGLOTE e AGPCV) que minimizam o Custo Total das Operações de Picking (CT). Logo, o AGLOTE agrupa os SKUs (Stock Keeping Units) dos diferentes pedidos em múltiplos lotes pela restrição de carga dos trolleys de forma a reduzir o Número de Viagens de Coleta (NVC) e define a sequência de coleta por meio de lotes prioritários para evitar o Atraso no Atendimento dos Pedidos (AAP). O AGPCV faz a roteirização dos lotes dentro do AM de modo que impeça a ocorrência de avarias aos SKUs frágeis e minimize a Distância Total das Rotas (DTR) e o Tempo Total de Picking (TTP). Evidenciou-se que para problemas de complexidade superior os lotes são mais homogêneos, nos quais o Desvio Padrão é pequeno e o Coeficiente de Variação é de 11,22% a 25,20% para a DTR. Para ambientes reais em que se utiliza janelas de tempo e logs de processamentos para lotes off-lines) a combinação do AI-SOF/AGSOC provê soluções otimizadas em tempo e qualidade satisfatória ao SOF/SOC. Em suma, esta pesquisa foi além das abordagens existentes para preencher um gap na literatura e prover uma importante contribuição à prática da otimização do SOF/SOC. É possível conclui que a integração do AI-SOF/AGSOC é capaz de maximizar o faturamento e melhorar a produtividade de forma a minimizar os tempos e custos operacionais de picking do AM. / This thesis integrates two problems from distinct and independent areas called Optimal Sequencing Billing (OSB) and Optimal Picking Sequencing (OPS). Studied separately by researchers, OBS refers to a billing maximization problem and OPS is a variation of the Order Batching and Sequencing Problem (OBSP). Based on practical and scientific assumptions, OSB/OPS portray the picking daily routine in a typical Distribution Warehouse (WA). In OSB, the demand is stochastic and billings occur based on variables time windows that are adjusted to avoid tardiness by prioritizing the service dates based on the Earliest Due Date (EDD) rule. In OPS, picking is manual and falls into the low-level picker-to-parts category, and it uses a trolley that is pushed by an employee along WA aisles. In this context, this thesis has the objective of developing a management tool that can integrate and provide optimal solutions for OSB/OPS. The perspective of integrating OSB/OPS can be achieved through the formulation of two Genetic Algorithms (GAs) called GA-OSB and GA-OPS. Therefore, the focus of this research is to assess GA-OSB/GA-OPS practical efficiency to solve actual OSB/OPS problems. GA-OSB efficiency is compared to an Iterative Greedy Algorithm (IA-OSB) whereas the preference for GA-OPS is justified by the NP-hard nature of OPS. Experiments for problems of different complexity levels showed that algorithms satisfy every rule, restriction and decision variable and provide satisfactory solutions for any OSB/OPS category. IA-OSB/GA-OSB deal with inventory restrictions and the possibility of billing partial orders to maximize Total Billing (TB). Although they also provide quality solutions, IA-OSB performance is better than GA-OSB performance which is limited to OSB medium-sized categories in terms of Computational Processing Time (CPT). GA-OPS comprises the iteration of two GAs (GABATCH and GATSP) that minimize the Total Cost of Picking Operations (TC). Therefore, GABATCH groups SKUs (Stock Keeping Units) of different orders into multiple lots according to trolley load restrictions so as to reduce the Number of Picking Travels (NPT). It also defines a picking sequence by means of priority lots to avoid Tardiness in Customer Orders (TCO). GATSP maps out the routes of lots inside the WA in order to prevent damages to fragile SKUs and to minimize Total Route Distance (TRD) as well as Total Picking Time (TPT). It was evidenced that, for problems of higher complexity, lots are more homogeneous where the Standard Deviation is small and the Coefficient of Variation (CV) ranges from 11.22% to 25.20% to the TRD. For actual environments where time windows and processing logs are used for off-line lots, the IA-OSB/GA-OPS integration provides optimal time solutions and satisfactory quality to OSB/OPS. In short, this research has gone beyond existing approaches to fill a gap in the literature and provide an important contribution to the practice of optimal OSB/OPS. It can be concluded that the integration of IA-OSB/GA-OPS can maximize billing and improve productivity in order to minimize picking operational time and costs in a WA.

Wireless sensor networks are made up of a large number of sensors deployed randomly in an ad-hoc manner in the area/target to be monitored. Due to their weight and size limitations, the energy conservation is the most critical issue. Energy saving in a wireless sensor network can be achieved by scheduling a subset of sensor nodes to activate and allowing others to go into low power sleep mode, or adjusting the transmission or sensing range of wireless sensor nodes. In this thesis, we focus on improving the lifetime of wireless sensor networks using both smart scheduling and adjusting sensing ranges. Firstly, we conduct a survey on existing works in literature and then we define the sensor network lifetime problem with range assignment. We then propose two completely localized and distributed scheduling algorithms with adjustable sensing range. These algorithms are the enhancement of distributed algorithms for fixed sensing range proposed in the literature. The simulation results show that there is almost 20 percent improvement of network lifetime when compare with the previous approaches.

Esta tese integra dois problemas de áreas distintas e interdependentes intitulados de Sequenciamento Otimizado de Faturamento (SOF) e Sequenciamento Otimizado de Coleta (SOC). Abordados de forma disjunta pelos pesquisadores, o SOF refere-se a um problema de maximização do faturamento e o SOC consiste de uma variação do Order Batching and Sequencing Problem (OBSP). Fundamentados por pressupostos práticos e científicos, o SOF/SOC retratam o cotidiano dos processos de faturamento e picking de um típico Armazém de Distribuição (AM). No SOF a demanda é estocástica e os faturamentos ocorrem a partir de janelas de tempo variáveis ajustadas para evitar o tardiness mediante a priorização das datas de atendimento pela regra Earliest Due Date (EDD). No SOC o picking é manual e enquadra-se na categoria picker-to-parts (low level) com pick-and-sort utilizando um trolley que é transportado pelo operador ao longo das ruas do AM. Neste contexto, esta tese tem como objetivo desenvolver uma ferramenta de gestão que integre e apresente soluções otimizadas para o SOF/SOC. A perspectiva de integração do SOF/SOC dar-se-á mediante à formulação de dois Algoritmos Genéticos (AGs) nomeados de AG-SOF e AG-SOC. Assim, o enfoque desta pesquisa está na avaliação da eficácia prática do AG-SOF/AG-SOC em resolver problemas reais do SOF/SOC. A eficácia do AG-SOF é comparada à um Algoritmo Guloso Iterativo (AI-SOF) enquanto que a predileção pelo AG-SOC é justificada pela natureza NP-hard do SOC. As experimentações para problemas de diferentes níveis de complexidade demonstraram que os algoritmos satisfazem todas as regras, restrições e variáveis decisórias obtendo soluções de qualidade satisfatória para qualquer categoria do SOF/SOC. O AISOF/ AG-SOF lidam com as restrições de estoque e as possibilidades de faturar pedidos parciais para maximizar o Faturamento Total (FT). Apesar de obterem soluções com a mesma qualidade, o AI-SOF tem desempenho superior ao AG-SOF que é, em termos de Tempo de Processamento Computacional (TPC), limitado às categorias de médio porte do SOF. O AG-SOC é composto pela iteração de dois AGs (AGLOTE e AGPCV) que minimizam o Custo Total das Operações de Picking (CT). Logo, o AGLOTE agrupa os SKUs (Stock Keeping Units) dos diferentes pedidos em múltiplos lotes pela restrição de carga dos trolleys de forma a reduzir o Número de Viagens de Coleta (NVC) e define a sequência de coleta por meio de lotes prioritários para evitar o Atraso no Atendimento dos Pedidos (AAP). O AGPCV faz a roteirização dos lotes dentro do AM de modo que impeça a ocorrência de avarias aos SKUs frágeis e minimize a Distância Total das Rotas (DTR) e o Tempo Total de Picking (TTP). Evidenciou-se que para problemas de complexidade superior os lotes são mais homogêneos, nos quais o Desvio Padrão é pequeno e o Coeficiente de Variação é de 11,22% a 25,20% para a DTR. Para ambientes reais em que se utiliza janelas de tempo e logs de processamentos para lotes off-lines) a combinação do AI-SOF/AGSOC provê soluções otimizadas em tempo e qualidade satisfatória ao SOF/SOC. Em suma, esta pesquisa foi além das abordagens existentes para preencher um gap na literatura e prover uma importante contribuição à prática da otimização do SOF/SOC. É possível conclui que a integração do AI-SOF/AGSOC é capaz de maximizar o faturamento e melhorar a produtividade de forma a minimizar os tempos e custos operacionais de picking do AM. / This thesis integrates two problems from distinct and independent areas called Optimal Sequencing Billing (OSB) and Optimal Picking Sequencing (OPS). Studied separately by researchers, OBS refers to a billing maximization problem and OPS is a variation of the Order Batching and Sequencing Problem (OBSP). Based on practical and scientific assumptions, OSB/OPS portray the picking daily routine in a typical Distribution Warehouse (WA). In OSB, the demand is stochastic and billings occur based on variables time windows that are adjusted to avoid tardiness by prioritizing the service dates based on the Earliest Due Date (EDD) rule. In OPS, picking is manual and falls into the low-level picker-to-parts category, and it uses a trolley that is pushed by an employee along WA aisles. In this context, this thesis has the objective of developing a management tool that can integrate and provide optimal solutions for OSB/OPS. The perspective of integrating OSB/OPS can be achieved through the formulation of two Genetic Algorithms (GAs) called GA-OSB and GA-OPS. Therefore, the focus of this research is to assess GA-OSB/GA-OPS practical efficiency to solve actual OSB/OPS problems. GA-OSB efficiency is compared to an Iterative Greedy Algorithm (IA-OSB) whereas the preference for GA-OPS is justified by the NP-hard nature of OPS. Experiments for problems of different complexity levels showed that algorithms satisfy every rule, restriction and decision variable and provide satisfactory solutions for any OSB/OPS category. IA-OSB/GA-OSB deal with inventory restrictions and the possibility of billing partial orders to maximize Total Billing (TB). Although they also provide quality solutions, IA-OSB performance is better than GA-OSB performance which is limited to OSB medium-sized categories in terms of Computational Processing Time (CPT). GA-OPS comprises the iteration of two GAs (GABATCH and GATSP) that minimize the Total Cost of Picking Operations (TC). Therefore, GABATCH groups SKUs (Stock Keeping Units) of different orders into multiple lots according to trolley load restrictions so as to reduce the Number of Picking Travels (NPT). It also defines a picking sequence by means of priority lots to avoid Tardiness in Customer Orders (TCO). GATSP maps out the routes of lots inside the WA in order to prevent damages to fragile SKUs and to minimize Total Route Distance (TRD) as well as Total Picking Time (TPT). It was evidenced that, for problems of higher complexity, lots are more homogeneous where the Standard Deviation is small and the Coefficient of Variation (CV) ranges from 11.22% to 25.20% to the TRD. For actual environments where time windows and processing logs are used for off-line lots, the IA-OSB/GA-OPS integration provides optimal time solutions and satisfactory quality to OSB/OPS. In short, this research has gone beyond existing approaches to fill a gap in the literature and provide an important contribution to the practice of optimal OSB/OPS. It can be concluded that the integration of IA-OSB/GA-OPS can maximize billing and improve productivity in order to minimize picking operational time and costs in a WA.

No description available.

Made available in DSpace on 2016-08-17T13:45:25Z (GMT). No. of bitstreams: 1 Leandro da Silva Pinheiro.pdf: 12011503 bytes, checksum: cfb85a56c46d3b7b25de578ead063b72 (MD5) Previous issue date: 2016-06-16 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Linear Programming problems will be broach in this work together with some ways to find their solutions. Graphically, using geometric figures such as Geogebra, algebraic solutions and, at least, it will be described the use of the tool "Solver"of the Cal spreedsheet of the LibreOffice, that it is easy tool and application in larger problems, relating to the matter worked in high school content, making analogies with situations of applications of this theory in eveyday life of the student without live of highlight the presentation of the great tool that this theory can display and be of geat importance in other areas of knowledge, providing the student with a greater and more "tangible" view of mathmatics as a tool for implementing. / Os problemas de Programação Linear serão abordados neste trabalho juntamente com algumas maneiras de encontrar suas soluções. Graficamente utilizando recursos geométricos como o Geogebra, soluções algébricas e por último será descrita a utilização da ferramenta "Solver" da planilha Calc do LibreOffice, que se trata de uma ferramenta de fácil utilização e aplicação em problemas de dimensões maiores, relacionando com assuntos trabalhados nos conteúdos do Ensino Médio, fazendo analogias com situações de aplicações dessa teoria na vida cotidiana do aluno sem deixar de destacar a apresentação da grandiosa ferramenta que essa teoria pode exibir e ser de grande importância em outras áreas de conhecimento, proporcionando ao aluno uma visão maior e mais "palpável" da Matemática como instrumento de aplicação.

在1946至1964年之間出生的戰後嬰兒潮,奉獻了大半輩子在於工作,因此擁有較 高的收入以及較充裕的自由時間。毫無疑問地,他們是最有資格也最值得去追求 幸福的族群了。 這篇論文基於PERMA這個模型對於幸福所提出的五個元素,針對其中的“社交 關係”進行研究。並以社會資本來當作研究的核心,近而探討線上以及線下的行 為對於社會資本所造成的影響。 在這篇論文中,我們會透過所設計的機制,來量化個體的社會資本。並利用活動 導向的推薦來增加以及最佳化個體的社會資本。更希望可以透過人與人之間的強 弱連結,使彼此之間互相影響,共同創造更大的社會資本以及更好的社交關係。 透過我們的機制,系統可以了解嬰兒潮顧客的社交情形,並推薦適合他們從事的 社交活動。 長期來看,我們認為微觀的社會資本可以影響到宏觀的社會資本。如同個體可以 影響到其所在的群體一樣。研究最後的目標是幫助嬰兒潮顧客達到社會幸福,並 創造一個使用者可以共同創造價值的生態系。 / Baby boomers, which mean people who were born between 1946 and 1964, devoted most of their life at work. Because of the high income and free time they have, they undoubtedly are the most capable but also the most worthy to pursue wellbeing. This paper will focus on one of the elements of wellbeing, which is the relationship part of PERMA model. The core of this research is on social capital that is related to user's behaviors online and offline. In this research, we want to quantify each user’s social capital, and then increase and maximize it through our particularly devised mechanism. By the strong or weak ties between users, they could co-create higher social capital and better relationships. Through our mechanism, we can understand baby boomers’ social situation and improve it by recommending virtual and physical activities. In the long term, we thought micro social capital can affect macro social capital, as a person can affect others. The final goal of this research is helping baby boomers achieve social wellbeing and create an ecosystem for users to co-create value in relationships.