Resumo Este artigo aborda o problema de otimização na geração da grade horária escolar. Tal problema consiste em definir os dias e horários das disciplinas a serem ministradas por cada um dos professores de instituições de ensino. Para isto foi desenvolvida uma ferramenta que faz uso de técnicas de Pesquisa Operacional (PO), com foco na geração e otimização de grade horária de instituições de Ensino Fundamental, considerando as preferências dos professores, tais como, preferências por dias de aula e por aulas em sequência (geminadas). Para a resolução do problema foi utilizado um modelo matemático de Programação Não Linear Inteira Binária (PNLIB) e os procedimentos Busca Local (BL) e Iterated Local Search (ILS), comparativamente. Foi aqui analisado um problema real com 14 grades horárias de escolas públicas da cidade de Araucária, PR. Os resultados indicam que o tempo computacional demandado pelo modelo matemático é viável para os problemas analisados. A técnica ILS possui potencial para testes em problemas de maior porte, já que apresenta uma dispersão de 3,5% a 7,7% em relação à solução ótima (obtida pelo PNLIB), com tempo computacional de 15 a 338 vezes mais rápido.

Abstract This paper addresses the school timetabling problem, which consists of defining the date and time in which classes will be given by teachers in educational institutions. For this purpose, a tool that uses Operational Research (OR) techniques was developed, focused on generating and optimizing Elementary and High School timetables, taking into account teachers’ preferences for certain days or for sequenced (twinned) classes. Conductive to solving the problem, a Non Linear Binary Integer Programming mathematical model (NLBIP) and Local Search (LS) and Iterated Local Search (ILS) procedures were comparatively applied. A real problem with 14 timetables of public schools in the city of Araucária (in Paraná State, Brazil) was analyzed. The results indicate that the computational time required by the mathematical model is feasible for the problems in question. The ILS technique has the potential for testing larger scale problems, as it presents a dispersion of 3.5% to 7.7% relative to the optimal solution (obtained by the NLBIP) and a computational time that is 15 to 338 times faster.

Resumo A qualidade na educação tem sido objeto de muita discussão, seja nas escolas e entre seus gestores, seja na mídia ou na literatura. No entanto, uma análise mais profunda na literatura parece não indicar técnicas que explorem bancos de dados com a finalidade de obter classificações para o desempenho escolar, nem tampouco há um consenso sobre o que seja “qualidade educacional”. Diante deste contexto, neste artigo, é proposta uma metodologia que se enquadra no processo KDD (Knowledge Discovery in Databases, ou seja, Descoberta de Conhecimento em Bases de Dados) para a classificação do desempenho de instituições de ensino, de forma comparativa, com base nas notas obtidas na Prova Brasil, um dos itens integrantes do Índice de Desenvolvimento da Educação Básica (IDEB) no Brasil. Para ilustrar a metodologia, esta foi aplicada às escolas públicas municipais de Araucária, PR, região metropolitana de Curitiba, PR, num total de 17, que, por ocasião da pesquisa, ofertavam Ensino Fundamental, considerando as notas obtidas pela totalidade dos alunos dos anos iniciais (1º. ao 5º. ano do ensino fundamental) e dos anos finais (6º. ao 9º. ano do ensino fundamental). Na etapa de Data Mining, principal etapa do processo KDD, foram utilizadas três técnicas de forma comparativa para o Reconhecimento de Padrões: Redes Neurais Artificiais; Support Vector Machines; e Algoritmos Genéticos. Essas técnicas apresentaram resultados satisfatórios na classificação das escolas, representados por meio de uma “Etiqueta de Classificação do Desempenho”. Por meio desta etiqueta, os gestores educacionais poderão ter melhor base para definir as medidas a serem adotadas junto a cada escola, podendo definir mais claramente as metas a serem cumpridas.

Abstract Quality in Education is an issue that has been discussed in schools and among their managers, in the media, and in the literature. However, a deeper review of the literature has failed to present techniques dealing with database information techniques capable of obtaining classifications for school performance; nor is there a consensus regarding the definition of “educational quality”. To address the situation, in this paper, we propose a methodology that fits the KDD (Knowledge Discovery in Databases) process to classify teaching in schools. This is done by comparing the grades of the “Prova Brasil”, which is part of the Development Index of Basic Education (IDEB) in Brazil. To illustrate the methodology, it was applied to 17 public elementary schools in the municipality of Araucária, located in the metropolitan region of Curitiba, Parana state. The grades achieved by all students of the initial years (1st to 5th year of fundamental teaching) and final years (6th to 9th years of fundamental teaching) were considered. In the Data Mining phase, the main phase of the KDD process, three techniques were used comparatively: Artificial Neural Networks, Support Vector Machines, and Genetic Algorithms. Those techniques presented acceptable results in classifying each school represented by a “Performance Classification Label”. Based on this label, the educational managers can have a greater input for procedures to be adopted in each school, and thus set more accurate targets.

In this paper, we propose a methodology to classify Power Quality (PQ) in distribution systems based on voltage sags. The methodology uses the KDD process (Knowledge Discovery in Databases) in order to establish a quality level to be printed in labels. The methodology was applied to feeders on a substation located in Curitiba, Paraná, Brazil, considering attributes such as sag length (remnant voltage), duration and frequency (number of occurrences on a given period of time). On the Data Mining Stage (the main stage on KDD Process), three different techniques were used, in a comparative way, for pattern recognition, in order to achieve the quality classification for the feeders: Artificial Neural Networks (ANN); Support Vector Machines (SVM) and Genetic Algorithms (GA). By printing a label with quality level information, utilities companies (power concessionaires) can get better organized for mitigation procedures by establishing clear targets. Moreover, the same way costumers already receive information regarding PQ based on interruptions, they will also be able to receive information based on voltage sags.