• Português
    • English
  • João Pessoa, PB - 3 a 5 de novembro de 2021

    Indústria 4.0

    Palestras


    Geometria de Distâncias, Grafos e COVID-19

    Palestrante: Carlile Lavor (IMECC – UNICAMP)

    Resumo: O principal problema da Geometria de Distâncias pode ser definido como um problema inverso: dadas algumas distâncias entre pares de objetos, determinar suas posições em algum espaço geométrico. Dentre inúmeras aplicações, passando por astronomia, estatística, nanotecnologia, robótica e telecomunicações, destaca-se o cálculo da estrutura 3D de moléculas de proteínas (as “moléculas da vida”), conhecido na literatura por Molecular Distance Geometry Problem (MDGP). Por conta de propriedades químicas e geométricas das proteínas, o MDGP pode ser representado por um grafo e “resolvido” por um método tipo Branch & Prune. Ao final da palestra, mostraremos a conexão entre o MDGP e a pandemia atual.

    Bio: Carlile Lavor é Prof. Titular, desde 2015, do Instituto de Matemática, Estatística e Computação Científica (IMECC – UNICAMP), com graduação em Matemática (UNICAMP, 1996), doutorado em Computação (COPPE – UFRJ, 2001), pós-doutorado em Computação Quântica (LNCC, 2003) e livre-docência em Combinatória (UNICAMP, 2006). Entre 2012 e 2013, foi Chefe do Dep. de Matemática Aplicada e, entre 2015 e 2016, foi Diretor Associado do IMECC-UNICAMP. Com sua pesquisa em GEOMETRIA DE PROTEÍNAS, foi palestrante convidado em diversas instituições internacionais (com destaque para Columbia University, Duke University, École Polytechnique, IBM TJ Watson Research Center, Institut Pasteur, MIT, Princeton University e University of Cambridge) e tem experiência na área de Matemática Aplicada e Ciência da Computação, com ênfase em Geometria de Distâncias e Computação Quântica. Na 1a. edição de 2014 do periódico SIAM REVIEW, juntamente com Liberti, Maculan e Mucherino, foi ARTIGO DE CAPA, premiado como ARTIGO NOTÁVEL pela ACM COMPUTING REVIEWS, em 2015. No biênio 2018-2019, foi Presidente da Sociedade Brasileira de Matemática Aplicada e Computacional (SBMAC).

    Representations of the Nondominated Set in Multiobjective Optimization

    Palestrante: Serpil Sayın (Koç University’s, Istanbul, Turkey)

    Resumo: The solution to a multiobjective optimization problem consists of the nondominated set that portrays all relevant trade-off information. This set is often difficult to obtain and present to a Decision Maker. Therefore it makes sense to try to identify a Decision Maker’s most preferred solution without generating the entire nondominated set; however, Decision Makers may not always be able to express their true preferences without knowing the entire trade-off landscape. Thus the representation idea suggests finding a representative subset of the nondominated set that conforms to some prespecified quality measure.

    In this talk, we provide an overview of multiobjective optimization in relation to representation concepts. We then introduce two representation algorithms: one is a modification of an exact algorithm for multiobjective discrete optimization problems and the other uses a bilevel programming- based subproblem that can be applied to continuous problems. The second approach is capable of delivering a nondominated solution that comes from a given set, provided that one exits. If the Decision Maker’s preferences are known a priori, they can be used to specify the given set. Alternatively, we describe how the subproblem can be used to obtain a representation of the nondominated set when the Decision Maker’s preferences are not available. This requires a thorough search of the outcome space and the search can be facilitated by a partitioning scheme similar to the ones used in global optimization. We discuss potential application areas for representations and possibilities for further res