Relações espaço-temporais como restrições de tomadas de decisões na grande área no futebol

Este estudo investigou as tomadas de decisões de jogadores dentro da grande área do futebol com base em variáveis espaciais e espaço-temporais de coordenações interpessoal e extrapessoal. Participaram do estudo 150 jogadores do sexo masculino, com idade entre 18 e 38 anos, e experiência de prática neste esporte de, no mínimo, 7 anos. Foram filmados 12 jogos de futebol de um campeonato amador na Colômbia. As imagens capturadas foram analisadas através do software TACTO, e as variáveis consideradas para análise foram as seguintes: i) ângulo de chute, formado por vetores ligando o jogador com posse de bola a dois componentes do jogo que geravam uma lacuna no gol; ii) ângulo A de passe, composto por vetores conectando o portador da bola ao seu marcador mais próximo e ao seu companheiro de equipe; iii) ângulo B de passe, formado por vetores ligando o portador da bola ao seu companheiro de equipe e ao marcador mais próximo dele; iv) distância interpessoal, caracterizada pela distância entre o jogador com posse de bola e seu defensor mais próximo; v) velocidade e variabilidade relacionadas às mudanças em cada uma dessas medidas. Essas variáveis foram comparadas em relação a situações de chute, passe e drible. Os resultados revelaram que, em relação à decisão de chutar, o ângulo de chute representando a interação entre as possibilidades de completá-lo e de o mesmo ser interceptado, diferiu do mesmo ângulo em que as decisões de passe e drible foram tomadas; e, na decisão de driblar, a distância interpessoal apresentou diferenças com as situações em que o passe foi executado. Concluiu-se que, no caso do chute ao gol e o drible, os ângulos de chute e distâncias interpessoais, respectivamente, funcionaram como variáveis informacionais de coordenações interpessoal e extrapessoal importantes para as tomadas de decisão

Informações de suporte ao escalonamento de workflows científicos para a execução em plataformas de computação em nuvem

A ciência tem feito uso frequente de recursos computacionais para execução de experimentos e processos científicos, que podem ser modelados como workflows que manipulam grandes volumes de dados e executam ações como seleção, análise e visualização desses dados segundo um procedimento determinado. Workflows científicos têm sido usados por cientistas de várias áreas, como astronomia e bioinformática, e tendem a ser computacionalmente intensivos e fortemente voltados à manipulação de grandes volumes de dados, o que requer o uso de plataformas de execução de alto desempenho como grades ou nuvens de computadores. Para execução dos workflows nesse tipo de plataforma é necessário o mapeamento dos recursos computacionais disponíveis para as atividades do workflow, processo conhecido como escalonamento. Plataformas de computação em nuvem têm se mostrado um alternativa viável para a execução de workflows científicos, mas o escalonamento nesse tipo de plataforma geralmente deve considerar restrições específicas como orçamento limitado ou o tipo de recurso computacional a ser utilizado na execução. Nesse contexto, informações como a duração estimada da execução ou limites de tempo e de custo (chamadas aqui de informações de suporte ao escalonamento) são importantes para garantir que o escalonamento seja eficiente e a execução ocorra de forma a atingir os resultados esperados. Este trabalho identifica as informações de suporte que podem ser adicionadas aos modelos de workflows científicos para amparar o escalonamento e a execução eficiente em plataformas de computação em nuvem. É proposta uma classificação dessas informações, e seu uso nos principais Sistemas Gerenciadores de Workflows Científicos (SGWC) é analisado. Para avaliar o impacto do uso das informações no escalonamento foram realizados experimentos utilizando modelos de workflows científicos com diferentes informações de suporte, escalonados com algoritmos que foram adaptados para considerar as informações inseridas. Nos experimentos realizados, observou-se uma redução no custo financeiro de execução do workflow em nuvem de até 59% e redução no makespan chegando a 8,6% se comparados à execução dos mesmos workflows sendo escalonados sem nenhuma informação de suporte disponível.