Questão de Algoritmos e Estrutura de Dados — Algoritmos — TJ-PI 2025
Algoritmos e Estrutura de Dados›Algoritmos
Código
qg614916
Banca
TJ-PI
Órgão
TJ-PI
Ano
2025
Nível
Superior
Cargo
Residente Tecnológico
O diretor de uma vara judicial do TJPI busca otimizar a organização da pauta de audiências para minimizar o tempo total de espera de advogados, partes e testemunhas. As restrições do problema incluem: a disponibilidade de salas de audiência, a agenda do juiz e do promotor, e a duração estimada de cada audiência. Algumas audiências envolvem os mesmos advogados, que prefeririam ter seus casos agendados em sequência. Trata-se de um problema complexo de otimização combinatória. Qual abordagem de lA é a mais indicada para encontrar uma solução de agendamento de alta qualidade para este problema?
AUm modelo de regressão linear para prever o tempo de espera médio e ajustar a pauta manualmente com base nessa previsão.
BUm sistema de recomendação que sugere horários para os advogados com base em suas preferências históricas.
CUm algoritmo de clusterização para agrupar audiências por tipo de processo e, em seguida, agendá-las em blocos.
DUm algoritmo genético ou outra meta-heurística de busca, que explore o vasto espaço de possíveis pautas, avaliando cada uma com uma função de custo que penaliza o tempo de espera e a violação de restrições, evoluindo iterativamente em direção a uma solução ótima ou próxima da ótima.
EUma rede neural recorrente (RNN) treinada com pautas de audiências passadas para prever a sequência ideal de audiências futuras.
Revelar gabarito e comentário▾
GabaritoD — Um algoritmo genético ou outra meta-heurística de busca, que explore o vasto espaço de possíveis pautas, avaliando cada uma com uma função de custo que penaliza o tempo de espera e a violação de restrições, evoluindo iterativamente em direção a uma solução ótima ou próxima da ótima.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Otimização de Agendamento com Inteligência Artificial
Gabarito: letra D – Algoritmo genético ou outra meta-heurística de busca. O problema descrito é um caso clássico de otimização combinatória com múltiplas restrições (salas, agenda, duração, preferências). Meta-heurísticas como algoritmos genéticos são projetadas para explorar grandes espaços de soluções, avaliando cada candidato com uma função de custo que penaliza o tempo de espera e violações, evoluindo iterativamente até uma solução de alta qualidade, conforme indicado no contexto (menciona que algoritmos genéticos "tentam encontrar a solução através de ciclos de mutações evolucionárias entre gerações de passos, tendendo para a solução exata do problema").
Abordagem de IA
Tipo de Técnica
Adequação ao Problema (Otimização Combinatória com Restrições)
Motivo da (In)correção
A) Regressão Linear
Aprendizado Supervisionado (Predição)
Inadequada
Prevê valor contínuo (tempo de espera), mas não gera nem otimiza a pauta com restrições múltiplas.
B) Sistema de Recomendação
Filtragem/Recomendação
Inadequada
Sugere horários baseados em preferências, mas ignora restrições globais (salas, juiz, promotor, sequência).
C) Clusterização
Aprendizado Não Supervisionado
Inadequada
Agrupa por similaridade, mas não produz sequência temporal otimizada nem lida com restrições de agendamento.
D) Algoritmo Genético (Meta-heurística)
Busca e Otimização
Adequada (Gabarito)
Explora grande espaço de soluções, avalia com função de custo (tempo de espera, violações) e evolui para solução de alta qualidade.
E) Rede Neural Recorrente (RNN)
Aprendizado Supervisionado (Sequências)
Inadequada
Modela sequências temporais, mas não é projetada para otimização combinatória com restrições explícitas e função de custo.
Alternativa A — ❌ Incorreta
Regressão linear é uma técnica de aprendizado supervisionado para prever valores contínuos, não projetada para resolver problemas de otimização combinatória com restrições. Ela poderia prever o tempo de espera médio, mas não gera ou otimiza uma pauta de audiências.
Alternativa B — ❌ Incorreta
Sistema de recomendação sugere itens com base em preferências passadas, mas não lida com restrições globais (salas, juiz, promotor, sequência de audiências do mesmo advogado). Não resolve o problema de agendamento como um todo.
Alternativa C — ❌ Incorreta
Clusterização agrupa dados por similaridade, mas não produz uma sequência temporal otimizada. Agrupar audiências por tipo não considera a duração, disponibilidade de salas e outras restrições temporais. O agendamento em blocos ainda precisaria ser feito por outra técnica.
Alternativa D — ✅ Correta ⟵ GABARITO
Algoritmos genéticos são meta-heurísticas de busca inspiradas na evolução natural. Eles mantêm uma população de soluções candidatas (pautas), avaliam-nas com uma função de custo (fitness) que incorpora as restrições do problema (tempo de espera, violações de agenda), e aplicam operadores genéticos (seleção, crossover, mutação) para gerar novas soluções. Iterativamente, a população evolui para soluções de alta qualidade. Essa abordagem é amplamente utilizada em problemas de escalonamento e agendamento complexos, exatamente como o descrito.
Alternativa E — ❌ Incorreta
Redes neurais recorrentes (RNN) são adequadas para dados sequenciais e previsão de séries temporais, mas não para otimização com restrições múltiplas e variáveis discretas. Elas poderiam aprender padrões de pautas passadas, mas não garantiriam o atendimento das restrições atuais, nem a otimização de uma pauta nova com requisitos específicos.
PEGA ESSA DICA!
Em problemas de agendamento com muitas restrições (salas, horários, recursos), pense imediatamente em meta-heurísticas: algoritmos genéticos, simulated annealing, busca tabu, etc. Questões de concurso sobre otimização combinatória frequentemente apontam para essas técnicas. Evite confundir com aprendizado de máquina preditivo (regressão, RNN) ou com técnicas não otimizadoras (clusterização, recomendação).